Spark SQL大数据处理并写入Elasticsearch

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了Spark SQL大数据处理并写入Elasticsearch，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含3645字，纯文字阅读大概需要6分钟。

内容图文

SparkSQL(Spark用于处理结构化数据的模块)

通过SparkSQL导入的数据可以来自MySQL数据库、Json数据、Csv数据等，通过load这些数据可以对其做一系列计算

下面通过程序代码来详细查看SparkSQL导入数据并写入到ES中：

数据集：北京市PM2.5数据

Spark版本：2.3.2

Python版本：3.5.2

mysql-connector-java-8.0.11 下载

ElasticSearch：6.4.1

Kibana：6.4.1

elasticsearch-spark-20_2.11-6.4.1.jar 下载

具体代码：

 1 # coding: utf-8
 2 import sys
 3 import os
 4 
 5 pre_current_dir = os.path.dirname(os.getcwd())
 6 sys.path.append(pre_current_dir)
 7 from pyspark.sql import SparkSession
 8 from pyspark.sql.types import *
 9 from pyspark.sql.functions import udf
10 from settings import ES_CONF
11 
12 current_dir = os.path.dirname(os.path.realpath(__file__))
13 
14 spark = SparkSession.builder.appName("weather_result").getOrCreate()
15 
16 
17 def get_health_level(value):
18     """
19     PM2.5对应健康级别
20     :param value:
21     :return:
22     """
23     if 0 <= value <= 50:
24         return "Very Good"
25     elif 50 < value <= 100:
26         return "Good"
27     elif 100 < value <= 150:
28         return "Unhealthy for Sensi"
29     elif value <= 200:
30         return "Unhealthy"
31     elif 200 < value <= 300:
32         return "Very Unhealthy"
33     elif 300 < value <= 500:
34         return "Hazardous"
35     elif value > 500:
36         return "Extreme danger"
37     else:
38         return None
39 
40 
41 def get_weather_result():
42     """
43     获取Spark SQL分析后的数据
44     :return:
45     """
46     # load所需字段的数据到DF
47     df_2017 = spark.read.format("csv") \
48         .option("header", "true") \
49         .option("inferSchema", "true") \
50         .load("file://{}/data/Beijing2017_PM25.csv".format(current_dir)) \
51         .select("Year", "Month", "Day", "Hour", "Value", "QC Name")
52 
53     # 查看Schema
54     df_2017.printSchema()
55 
56     # 通过udf将字符型health_level转换为column
57     level_function_udf = udf(get_health_level, StringType())
58 
59     # 新建列healthy_level 并healthy_level分组
60     group_2017 = df_2017.withColumn(
61         "healthy_level", level_function_udf(df_2017['Value'])
62     ).groupBy("healthy_level").count()
63 
64     # 新建列days和percentage 并计算它们对应的值
65     result_2017 = group_2017.select("healthy_level", "count") \
66         .withColumn("days", group_2017['count'] / 24) \
67         .withColumn("percentage", group_2017['count'] / df_2017.count())
68     result_2017.show()
69 
70     return result_2017
71 
72 
73 def write_result_es():
74     """
75     将SparkSQL计算结果写入到ES
76     :return:
77     """
78     result_2017 = get_weather_result()
79     # ES_CONF配置 ES的node和index
80     result_2017.write.format("org.elasticsearch.spark.sql") \
81         .option("es.nodes", "{}".format(ES_CONF['ELASTIC_HOST'])) \
82         .mode("overwrite") \
83         .save("{}/pm_value".format(ES_CONF['WEATHER_INDEX_NAME']))
84 
85 
86 write_result_es()
87 spark.stop()

View Code

将mysql-connector-java-8.0.11和elasticsearch-spark-20_2.11-6.4.1.jar放到Spark的jars目录下，提交spark任务即可。

 

注意:

(1) 如果提示：ClassNotFoundException Failed to find data source: org.elasticsearch.spark.sql.，则表示spark没有发现jar包，此时需重新编译pyspark：

cd /opt/spark-2.3.2-bin-hadoop2.7/python 
python3 setup.py sdist 
pip install dist/*.tar.gz

 (2) 如果提示：Multiple ES-Hadoop versions detected in the classpath; please use only one ，

　　则表示ES-Hadoop jar包有多余的,可能既有elasticsearch-hadoop，又有elasticsearch-spark，此时删除多余的jar包，重新编译pyspark 即可

 

执行效果：

 

更多源码请关注我的github， https://github.com/a342058040/Spark-for-Python ，Spark相关技术全程用python实现，持续更新

内容总结

以上是互联网集市为您收集整理的Spark SQL大数据处理并写入Elasticsearch全部内容，希望文章能够帮你解决Spark SQL大数据处理并写入Elasticsearch所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端

---