spark调用python算法_如何使用python将Spark数据写入ElasticSearch

最新推荐文章于 2023-02-07 12:19:07 发布

weixin_39613561

最新推荐文章于 2023-02-07 12:19:07 发布

阅读量153

点赞数

文章标签： spark调用python算法

这里以将Apache的日志写入到ElasticSearch为例，来演示一下如何使用Python将Spark数据导入到ES中。

实际工作中，由于数据与使用框架或技术的复杂性，数据的写入变得比较复杂，在这里我们简单演示一下。

如果使用Scala或Java的话，Spark提供自带了支持写入ES的支持库，但Python不支持。所以首先你需要去这里下载依赖的ES官方开发的依赖包包。

下载完成后，放在本地目录，以下面命令方式启动pyspark:

pyspark --jars elasticsearch-hadoop-6.4.1.jar

如果你想pyspark使用Python3，请设置环境变量：

export PYSPARK_PYTHON=/usr/bin/python3

理解如何写入ES的关键是要明白，ES是一个JSON格式的数据库，它有一个必须的要求。数据格式必须采用以下格式

{ "id: { the rest of your json}}

往下会展示如何转换成这种格式。

解析Apache日志文件

我们将Apache的日志文件读入，构建Spark RDD。然后我们写一个parse()函数用正则表达式处理每条日志，提取我们需要的字

rdd = sc.textFile("/home/ubuntu/walker/apache_logs")

regex='^(\S+) (\S+) (\S+) \[([\w:/]+\s[+\-]\d{4})\] "(\S+)\s?(\S+)?\s?(\S+)?" (\d{3}|-) (\d+|-)\s?"?([^"]*)"?\s?"?([^"]*)?"?$'

p=re.compile(regex)

def parse(str):

s=p.match(str)

d = {}

d['ip']=s.group(1)

d['date']=s.group(4)

d['operation']=s.group(5)

d['uri']=s.group(6)

return d

换句话说，我们刚开始从日志文件读入RDD的数据类似如下：

['83.149.9.216 - - [17/May/2015:10:05:03 +0000] "GET /presentations/logstash-monitorama-2013/images/kibana-search.png HTTP/1.1" 200 203023 "http://semicomplete.com/presentations/logstash-monitorama-2013/" "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_9_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/32.0.1700.77 Safari/537.36"']

然后我们使用map函数转换每条记录：

rdd2 = rdd.map(parse)

rdd2.take(1)

[{'date': '17/May/2015:10:05:03 +0000', 'ip': '83.149.9.216', 'operation': 'GET', 'uri': '/presentations/logstash-monitorama-2013/images/kibana-search.png'}]

现在看起来像JSON，但并不是JSON字符串，我们需要使用json.dumps将dict对象转换。

我们同时增加一个doc_id字段作为整个JSON的ID。在配置ES中我们增加如下配置“es.mapping.id”: “doc_id”告诉ES我们将这个字段作为ID。

这里我们使用SHA算法，将这个JSON字符串作为参数，得到一个唯一ID。

计算结果类似如下，可以看到ID是一个很长的SHA数值。

rdd3.take(1)

[('a5b086b04e1cc45fb4a19e2a641bf99ea3a378599ef62ba12563b75c', '{"date": "17/May/2015:10:05:03 +0000", "ip": "83.149.9.216", "operation": "GET", "doc_id": "a5b086b04e1cc45fb4a19e2a641bf99ea3a378599ef62ba12563b75c", "uri": "/presentations/logstash-monitorama-2013/images/kibana-search.png"}')]

现在我们需要制定ES配置，比较重要的两项是：

“es.resource” : ‘walker/apache’: "walker"是索引，apache是类型，两者一般合称索引

“es.mapping.id”: “doc_id”：告诉ES那个字段作为整个文档的ID，也就是查询结果中的_id

其他的配置自己去探索。

然后我们使用saveAsNewAPIHadoopFile()将RDD写入到ES。这部分代码对于所有的ES都是一样的，比较固定，不需要理解每一个细节

es_write_conf = {

"es.nodes" : "localhost",

"es.port" : "9200",

"es.resource" : 'walker/apache',

"es.input.json": "yes",

"es.mapping.id": "doc_id"

}

rdd3.saveAsNewAPIHadoopFile(

path='-',

outputFormatClass="org.elasticsearch.hadoop.mr.EsOutputFormat", keyClass="org.apache.hadoop.io.NullWritable",

valueClass="org.elasticsearch.hadoop.mr.LinkedMapWritable",

conf=es_write_conf)

rdd3 = rdd2.map(addID)

def addId(data):

j=json.dumps(data).encode('ascii', 'ignore')

data['doc_id'] = hashlib.sha224(j).hexdigest()

return (data['doc_id'], json.dumps(data))

最后我们可以使用curl进行查询

curl http://localhost:9200s/walker/apache/_search?pretty=true&?q=*

{

"_index" : "walker",

"_type" : "apache",

"_id" : "227e977849bfd5f8d1fca69b04f7a766560745c6cb3712c106d590c2",

"_score" : 1.0,

"_source" : {

"date" : "17/May/2015:10:05:32 +0000",

"ip" : "91.177.205.119",

"operation" : "GET",

"doc_id" : "227e977849bfd5f8d1fca69b04f7a766560745c6cb3712c106d590c2",

"uri" : "/favicon.ico"

}

如下是所有代码：

import json

import hashlib

import re