SparkStreaming写数据到Elasticsearch简单实现

一、应用场景

---

针对实时处理的数据需要及时能够搜索出来时，可以选择elasticsearch来支持这一业务。当然还可以选择其他的内存数据库，如redis。而elasticsearch除了强大的全文索引能力外，还支持分布式存储，可以将其作为分布式计算框架的底座，用于存储热数据或者温数据等。常见的组合方式有elasticsearch与sparkstreaming以及flink进行配合共同完成实时或流式处理的场景。

在本次案例中，我们将演示将商品信息数据通过nc发送，由sparkstreaming通过socket读取实时数据流并对其进行简单处理，最后写入到es中。

二、环境说明

---

1. 数据生产工具：nc （本案例安装在虚拟机中）
2. 数据处理框架：sparkstreaming,版本2.12
3. 数据存储框架：elasticsearch
4. 开发工具IDEA
5. es集群：3台节点 （本案例安装在虚拟机中）
6. http通讯端口：9200

三、实验步骤

---

1. 各种环境搭建，如es、idea等请自行搭建

2. 启动idea，创建maven项目

3. 添加依赖至pom.xml中

   <dependencies>
       <dependency>
           <groupId>org.apache.spark</groupId>
           <artifactId>spark-core_2.12</artifactId>
           <version>3.0.0</version>
       </dependency>
       <dependency>
           <groupId>org.apache.spark</groupId>
           <artifactId>spark-streaming_2.12</artifactId>
           <version>3.0.0</version>
       </dependency>
       <dependency>
           <groupId>org.elasticsearch</groupId>
           <artifactId>elasticsearch</artifactId>
           <version>7.8.0</version>
       </dependency>
       <!-- elasticsearch 的客户端 -->
       <dependency>
           <groupId>org.elasticsearch.client</groupId>
           <artifactId>elasticsearch-rest-high-level-client</artifactId>
           <version>7.8.0</version>
       </dependency>
       <!-- elasticsearch 依赖 2.x 的 log4j -->
       <dependency>
           <groupId>org.apache.logging.log4j</groupId>
           <artifactId>log4j-api</artifactId>
           <version>2.8.2</version>
       </dependency>
       <dependency>
           <groupId>org.apache.logging.log4j</groupId>
           <artifactId>log4j-core</artifactId>
           <version>2.8.2</version>
       </dependency>
   </dependencies>
   

4. 添加scala框架的支持，或者在pom.xml中自行添加

5. 编写sparkstreaming客户端程序，完成代码如下：

   package com.suben.es.sstream
   
   import org.apache.http.HttpHost
   import org.apache.spark.SparkConf
   import org.apache.spark.storage.StorageLevel
   import org.apache.spark.streaming.dstream.ReceiverInputDStream
   import org.apache.spark.streaming.{Seconds, StreamingContext}
   import org.elasticsearch.action.index.IndexRequest
   import org.elasticsearch.client.{RequestOptions, RestClient, RestHighLevelClient}
   import org.elasticsearch.common.xcontent.XContentType
   
   import java.util.Date
   
   object SparkStreamingESTest {
   
     val INDEX_NAME = "stream"
   
     def main(args: Array[String]): Unit = {
       val sparkConf = new SparkConf().setMaster("local[*]").setAppName("SparkStreamingOperateES")
       val streamingContext = new StreamingContext(sparkConf, Seconds(3))
       // 读取TCP端口数据，即nc发送过来的数据
       val inputDStream: ReceiverInputDStream[String] = streamingContext.socketTextStream("hadoop003", 12345, StorageLevel.MEMORY_ONLY)
       // 对数据进行处理
       inputDStream.foreachRDD(rdd => {
         println(">>>>>>>>>>>>" + new Date())
         rdd.foreach(data => {
           println("==========接收到的数据>>>>>>>>>>>>", data)
           if (data != null && !"".equals(data)) {
             // 将数据写入到elasticsearch索引为shopping中去
             // 0. 处理数据,假如输入数据格式如下：9,小米手机,手机,2008.0,http://www.suben.com/xm.jpg
             val splits = data.split(",")
             // 选择第一个元素作为id
             val id = splits(0)
             // 1. 编写es客户端代码
             val client = new RestHighLevelClient(RestClient.builder(new HttpHost("hadoop002", 9200, "http")))
             // 2. 创建请求对象
             val request = new IndexRequest();
             // 3. 设置索引和id
             request.index(INDEX_NAME).id(id)
             // 4. 将splits数组中的数据转成json字符串
             val productJson =
             s"""
                | { "id":"${splits(0)}",
                | "title":"${splits(1)}",
                | "category":"${splits(2)}",
                | "price":"${splits(3)}",
                | "images":"${splits(4)}" }
                |""".stripMargin;
             println("===productJson===", productJson)
             // 6. 将jsonObject封装到request中
             request.source(productJson, XContentType.JSON)
             // 7. 请求添加文档
             val response = client.index(request, RequestOptions.DEFAULT)
   
             System.out.println("_index:" + response.getIndex());
             System.out.println("_id:" + response.getId());
             System.out.println("_result:" + response.getResult());
   
             client.close()
           }
         })
       })
   
       // 启动程序
       streamingContext.start()
       // 等待执行结果
       streamingContext.awaitTermination()
   
     }
   }
   
   

6. 启动nc，命令如下：

   nc -l -p 12345
   

7. 启动sparkstreaming客户端程序

8. 在nc中添加测试数据，回车，观察es中有无数据被写入

   10,[10]华为手机,手机,3008.0,http://www.suben.com/hw.jpg
   11,[11]华为手机,手机,3008.0,http://www.suben.com/hw.jpg
   12,[12]华为手机,手机,3008.0,http://www.suben.com/hw.jpg
   13,[13]华为手机,手机,3008.0,http://www.suben.com/hw.jpg
   14,[14]华为手机,手机,5008.0,http://www.suben.com/hw.jpg

   在chrome浏览器插件elasticsearch-head中数据被成功写入es中：
   

四、思考

---

上述实验仅仅实现了简单的将通过nc数据逐条或者多条输入，是手动的方式操作的。假如是真实业务场景，如电商系统一直源源不断地产生数据，如需模拟这种场景，又该如何实现呢？欢迎大家在评论区给我言，我们一起讨论，相互学习吧！