Spark Core读取ES的分区问题案例分析

本篇内容介绍了“Spark Core读取ES的分区问题案例分析”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！1.Spark Core读取ESES官网直接提供的有elasticsearch-hadoop插件，对于ES 7.x，hadoop和Spark版本支持如下：浪尖这了采用的ES版本是7.1.1，测试用的Spark版本是2.3.1，没有问题。整合es和spark，导入相关依赖有两种方式：a，导入整个elasticsearch-hadoop包b，只导入spark模块的包浪尖这里为了测试方便，只是在本机起了一个单节点的ES实例，简单的测试代码如下：
import org.apache.spark.{SparkConf, SparkContext}import org.elasticsearch.hadoop.cfg.ConfigurationOptions
object es2sparkrdd {
def main(args: Array[String]): Unit = { val conf = new SparkConf().setMaster("local[*]").setAppName(this.getClass.getCanonicalName)
conf.set(ConfigurationOptions.ES_NODES, "127.0.0.1") conf.set(ConfigurationOptions.ES_PORT, "9200") conf.set(ConfigurationOptions.ES_NODES_WAN_ONLY, "true") conf.set(ConfigurationOptions.ES_INDEX_AUTO_CREATE, "true") conf.set(ConfigurationOptions.ES_NODES_DISCOVERY, "false")// conf.set(ConfigurationOptions.ES_NET_HTTP_AUTH_USER, esUser)// conf.set(ConfigurationOptions.ES_NET_HTTP_AUTH_PASS, esPwd) conf.set("es.write.rest.error.handlers", "ignoreConflict") conf.set("es.write.rest.error.handler.ignoreConflict", "com.jointsky.bigdata.handler.IgnoreConflictsHandler")
val sc = new SparkContext(conf) import org.elasticsearch.spark._
sc.esRDD("posts").foreach(each=>{ each._2.keys.foreach(println) }) sc.esJsonRDD("posts").foreach(each=>{ println(each._2) })
sc.stop() }}可以看到Spark Core读取RDD主要有两种形式的API：a，esRDD。这种返回的是一个tuple2的类型的RDD，第一个元素是id，第二个是一个map，包含ES的document元素。b，esJsonRDD。这种返回的也是一个tuple2类型 香港云主机的RDD，第一个元素依然是id，第二个是json字符串。虽然是两种类型的RDD，但是RDD都是ScalaEsRDD类型。要分析Spark Core读取ES的并行度，只需要分析ScalaEsRDD的getPartitions函数即可。2.源码分析首先导入源码https://github.com/elastic/elasticsearch-hadoop这个是gradle工程，可以直接导入idea，然后切换到7.x版本即可。废话少说直接找到ScalaEsRDD，发现gePartitions是在其父类实现的，方法内容如下：override def getPartitions: Array[Partition] = { esPartitions.zipWithIndex.map { case(esPartition, idx) => new EsPartition(id, idx, esPartition) }.toArray }
esPartitions是一个lazy型的变量：这种声明原因是什么呢？lazy+transient的原因大家可以考虑一下。RestService.findPartitions方法也是仅是创建客户端获取分片等信息，然后调用，分两种情况调用两个方法。a).findSlicePartitions这个方法其实就是在5.x及以后的ES版本，同时配置了以后，才会执行，实际上就是将ES的分片按照指定大小进行拆分，必然要先进行分片大小统计，然后计算出拆分的分区数，最后生成分区信息。具体代码如下：实际上分片就是用游标的方式，对_doc进行排序，然后按照分片计算得到的分区偏移进行数据的读取，组装过程是SearchRequestBuilder.assemble方法来实现的。这个其实个人觉得会浪费一定的性能，假如真的要ES结合Spark的话，建议合理设置分片数。b).findShardPartitions方法这个方法没啥疑问了就是一个RDD分区对应于ES index的一个分片。“Spark Core读取ES的分区问题案例分析”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注开发云网站，小编将为大家输出更多高质量的实用文章！

相关推荐: 怎么将Prometheus对应的exporter做成系统服务

本篇内容介绍了“怎么将Prometheus对应的exporter做成系统服务”的有关知识，在实际案例的操作过程中，不少人 香港云主机都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！这里以node_expor…