Spark 整合ElasticSearch

Spark 整合ElasticSearch

因為做資料搜索用到了ElasticSearch，最近又了解一下 Spark ML，先來演示一個Spark 讀取/寫入 ElasticSearch 簡單示例。(spark 讀取ElasticSearch中數據)

環境：IDEA2016，JDK8，windows10，安裝的 ElasticSearch6.3.2 和 spark-2.3.1-bin-hadoop2.7，使用mvn package 將程序打成jar包，采用spark-submit提交給spark執行。

先在ElasticSearch中創建一個索引用來演示。因為是文本數據，因此采用ik分詞。可參考:elasticsearch-ik

• 創建索引：PUT /index_ik_test

• 設置mapping 及相應的分詞器，這里指定 content 字段為 ElasticSearch 的text 類型，並使用ik_max_word 分詞模式

  POST index_ik_test/fulltext/_mapping
  {
  "properties": {
  "content":{
  "type": "text",
  "analyzer": "ik_max_word",
  "search_analyzer": "ik_max_word"
  }
  }
  }

• 存幾篇文檔到ElasticSearch中

  POST index_ik_test/fulltext/1
  {"content":"其中有兩個人受傷了"}

• ik 分詞器有兩種分詞模式：ik_max_word和ik_smart。可通過如下方式查看一下這兩者的區別：

  GET index_ik_test/_analyze
  {
  "text": ["其中國家投資了500萬"],
  "tokenizer": "ik_smart"
  }

  分詞結果：其中、國家、投資、了、500萬

  ​

  GET index_ik_test/_analyze
  {
  "text": ["其中國家投資了500萬"],
  "tokenizer": "ik_max_word"
  }

  分詞結果：其中、中國、國家、投資、了、500、萬

• 使用GET index_ik_test/_mapping可查看索引的配置信息

  {
  "index_ik_test": {
  "mappings": {
  "fulltext": {
  "properties": {
  "content": {
  "type": "text",
  "analyzer": "ik_max_word"
  }
  }
  }
  }
  }
  }

好，現在ElasticSearch中有數據了，現在看怎么基於Spark讀取ElasticSearch中的數據。

IDEA2016中新建一個Maven工程，當然也可以用SpringBoot工程，但是這里的是單純的Maven Project。

ElasticSearch官方提供了elasticsearch-hadoop來供Spark訪問ElasticSearch。具體可參考：官方文檔es for spark。

官方提供了elasticsearch-hadoopmaven 依賴，這個依賴包括了：ElasticSearch for Hadoop MR、ElasticSearch for Hadoop Hive、ElasticSearch for Hadoop Spark。如果只用到了Spark，也可以只添加ElasticSearch for spark依賴。具體可參考：(這個鏈接)[https://www.elastic.co/guide/en/elasticsearch/hadoop/current/install.html]

<dependency>
  <groupId>org.elasticsearch</groupId>
  <artifactId>elasticsearch-spark-20_2.10</artifactId>
  <version>6.3.2</version>
</dependency>

創建spark運行上下文時需要spark-sql_2.11依賴，可參考：spark 官方文檔quick start。

To build the program, we also write a Maven pom.xml file that lists Spark as a dependency. Note that Spark artifacts are tagged with a Scala version.

在本文的示例中，添加了下面3個maven依賴：

<dependency>
  <groupId>org.elasticsearch</groupId>
  <artifactId>elasticsearch-hadoop</artifactId>
  <version>6.3.2</version>
</dependency>
<!-- Spark dependency -->
<dependency>
  <groupId>org.apache.spark</groupId>
  <artifactId>spark-sql_2.11</artifactId>
  <version>2.3.1</version>
</dependency>

<dependency>
  <groupId>com.google.guava</groupId>
  <artifactId>guava</artifactId>
  <version>22.0</version>
</dependency>

下面來直接看示例代碼：

向ElasticSearch中寫入數據

• spark配置連接ElasticSearch。可參考：elasticsearch-hadoop-master，我們采用的是：Configure the connector to run in WAN mode

  SparkConf sparkConf = new SparkConf().setAppName("writeEs").setMaster("local[*]").set("es.index.auto.create", "true")
  			.set("es.nodes", "ELASTIC_SEARCH_IP").set("es.port", "9200").set("es.nodes.wan.only", "true");
  

• 將數據寫入到ElasticSearch

  JavaRDD<Map<String, ?>> javaRDD = jsc.parallelize(ImmutableList.of(numbers, airports));
  JavaEsSpark.saveToEs(javaRDD, elasticIndex);
  

從ElasticSearch查詢數據

	JavaRDD<Map<String, Object>> searchRdd = esRDD(jsc, "index_ik_test/fulltext", "?q=中國").values();
	for (Map<String, Object> item : searchRdd.collect()) {
	    item.forEach((key, value)->{
		System.out.println("search key:" + key + ", search value:" + value);
	    });
	}

使用?q=中國作為查詢條件。整個完整示例代碼如下：

import com.google.common.collect.ImmutableList;
import com.google.common.collect.ImmutableMap;
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.sql.SparkSession;
import org.elasticsearch.spark.rdd.api.java.JavaEsSpark;

import java.util.Map;

import static org.elasticsearch.spark.rdd.api.java.JavaEsSpark.esRDD;

/**
 * Created by Administrator on 2018/8/28.
 */
public class EsSparkTest {
    public void writeEs() {
	String elasticIndex = "spark/docs";
	//https://www.elastic.co/guide/en/elasticsearch/hadoop/current/spark.html#spark-native
	SparkConf sparkConf = new SparkConf().setAppName("writeEs").setMaster("local[*]").set("es.index.auto.create", "true")
			.set("es.nodes", "ELASTIC_SEARCH_IP").set("es.port", "9200").set("es.nodes.wan.only", "true");
	SparkSession sparkSession = SparkSession.builder().config(sparkConf).getOrCreate();
	JavaSparkContext jsc = new JavaSparkContext(sparkSession.sparkContext());//adapter
	Map<String, ?> numbers = ImmutableMap.of("one", 1, "two", 2);
	Map<String, ?> airports = ImmutableMap.of("OTP", "Otopeni", "SFO", "San Fran");
	JavaRDD<Map<String, ?>> javaRDD = jsc.parallelize(ImmutableList.of(numbers, airports));
	JavaEsSpark.saveToEs(javaRDD, elasticIndex);
    }

    public void readEs() {
	SparkConf sparkConf = new SparkConf().setAppName("writeEs").setMaster("local[*]").set("es.index.auto.create", "true")
			.set("es.nodes", "ELASTIC_SEARCH_IP").set("es.port", "9200").set("es.nodes.wan.only", "true");
	SparkSession sparkSession = SparkSession.builder().config(sparkConf).getOrCreate();
	JavaSparkContext jsc = new JavaSparkContext(sparkSession.sparkContext());//adapter
	JavaRDD<Map<String, Object>> searchRdd = esRDD(jsc, "index_ik_test/fulltext", "?q=中國").values();
	for (Map<String, Object> item : searchRdd.collect()) {
	    item.forEach((key, value)->{
		System.out.println("search key:" + key + ", search value:" + value);
	    });
	}
	sparkSession.stop();
    }
}

DemoApplication.java 入口main類

public class DemoApplication {
    public static void main(String[] args) {
	new EsSparkTest().readEs();
    }
}

IDEA菜單欄：view ---> window tools --->maven projects 打開maven 側邊欄。直接雙擊package打包。

$rz -bey esdemo-1.0-SNAPSHOT.jar 將打成的jar包上傳到部署spark服務器上，使用如下命令提交運行：

~/spark-2.3.1-bin-hadoop2.7/bin/spark-submit --class DemoApplication esdemo-1.0-SNAPSHOT.jar

--class 是類的全路徑名。如果執行過程中拋出ClassNotFoundException異常，要看一下pom.xml中指定的依賴是否在Spark安裝目錄下的 jars/ 目錄下（比如事先把Guava jar 和 elasticsearch-hadoop-6.3.2.jar 上傳到 jars/目錄下）。最終執行readEs()方法查詢得到的文檔如下：

因為 content 字段采用的是ik_max_word分詞模式，因此文本其中國家投資了500萬 分詞結果中包含了 中國，從而使得這篇document被查詢到了。

后期補充：

在使用Spark 查詢ElasticSearch中數據時，由於ElasticSearch索引user中定義了一個日期字段，如下：

    "created": {
      "type": "date",
      "format": "yyyy-MM-dd HH:mm:ss"
    }

導致Spark執行下面語句查詢

JavaRDD<Map<String, Object>> searchRdd = JavaEsSpark.esRDD(jsc, "user/profile", "?q=test").values();
for (Map<String, Object> item : searchRdd.collect()) {
    item.forEach((key, value)->{
        System.out.println("search key:" + key + ", search value:" + value);
    });
}

反序列化構建日期對象時，報錯：

Caused by: org.elasticsearch.hadoop.EsHadoopIllegalArgumentException: Cannot invoke method public org.joda.time.DateTime org.joda.time.format.DateTimeFormatter.parseDateTime(java.lang.String)
at org.elasticsearch.hadoop.util.ReflectionUtils.invoke(ReflectionUtils.java:93)
at org.elasticsearch.hadoop.util.DateUtils$JodaTime.parseDate(DateUtils.java:105)
at org.elasticsearch.hadoop.util.DateUtils.parseDate(DateUtils.java:122)
at org.elasticsearch.hadoop.serialization.builder.JdkValueReader.parseDate(JdkValueReader.java:424)
at org.elasticsearch.hadoop.serialization.builder.JdkValueReader.date(JdkValueReader.java:412)
at org.elasticsearch.hadoop.serialization.builder.JdkValueReader.readValue(JdkValueReader.java:88)
at org.elasticsearch.hadoop.serialization.ScrollReader.parseValue(ScrollReader.java:789)
at org.elasticsearch.hadoop.serialization.ScrollReader.read(ScrollReader.java:739)
... 31 more
Caused by: java.lang.reflect.InvocationTargetException
at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:62)
at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
at java.lang.reflect.Method.invoke(Method.java:498)
at org.elasticsearch.hadoop.util.ReflectionUtils.invoke(ReflectionUtils.java:91)
... 38 more
Caused by: java.lang.IllegalArgumentException: Invalid format: "2018-10-08 19:00:41" is malformed at " 19:00:41"
at org.joda.time.format.DateTimeFormatter.parseDateTime(DateTimeFormatter.java:945)
... 43 more

這應該是我索引中定義的日期格式是yyyy-MM-dd HH:mm:ss，而org.joda.time.format.DateTimeFormatter默認使用的日期格式不同導致的，但是又不知道在哪里指定日期格式進行Format，所以真的是又遇到了個坑……

如下測試，joda 是支持如下格式的日期格式的：

        String pattern = "yyyy-MM-dd HH:mm:ss";
        String aTime = "2018-10-08 19:00:41";
        DateTimeFormatter format = DateTimeFormat.forPattern(pattern);
        DateTime dateTime = format.parseDateTime(aTime);//no error

spark2.3中依賴的：joda的版本如下：

~/spark-2.3.1-bin-hadoop2.7/jars$ ls | grep joda
joda-time-2.9.3.jar