Python把Spark數(shù)據(jù)寫入ElasticSearch的方法

發(fā)布時間：2020-08-03 09:16:06 來源：億速云閱讀：299 作者：小豬欄目：開發(fā)技術

這篇文章主要講解了Python把Spark數(shù)據(jù)寫入ElasticSearch的方法，內(nèi)容清晰明了，對此有興趣的小伙伴可以學習一下，相信大家閱讀完之后會有幫助。

如果使用Scala或Java的話，Spark提供自帶了支持寫入ES的支持庫，但Python不支持。所以首先你需要去這里下載依賴的ES官方開發(fā)的依賴包包。

下載完成后，放在本地目錄，以下面命令方式啟動pyspark:

pyspark --jars elasticsearch-hadoop-6.4.1.jar

如果你想pyspark使用Python3，請設置環(huán)境變量：

export PYSPARK_PYTHON=/usr/bin/python3
理解如何寫入ES的關鍵是要明白，ES是一個JSON格式的數(shù)據(jù)庫，它有一個必須的要求。數(shù)據(jù)格式必須采用以下格式

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

往下會展示如何轉(zhuǎn)換成這種格式。

解析Apache日志文件
我們將Apache的日志文件讀入，構建Spark RDD。然后我們寫一個parse()函數(shù)用正則表達式處理每條日志，提取我們需要的字

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

換句話說，我們剛開始從日志文件讀入RDD的數(shù)據(jù)類似如下：

['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"']

然后我們使用map函數(shù)轉(zhuǎn)換每條記錄：

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'}]

現(xiàn)在看起來像JSON，但并不是JSON字符串，我們需要使用json.dumps將dict對象轉(zhuǎn)換。

我們同時增加一個doc_id字段作為整個JSON的ID。在配置ES中我們增加如下配置“es.mapping.id”: “doc_id”告訴ES我們將這個字段作為ID。

這里我們使用SHA算法，將這個JSON字符串作為參數(shù)，得到一個唯一ID。
計算結果類似如下，可以看到ID是一個很長的SHA數(shù)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"}')]

現(xiàn)在我們需要制定ES配置，比較重要的兩項是：

“es.resource” : ‘walker/apache': "walker"是索引，apache是類型，兩者一般合稱索引
“es.mapping.id”: “doc_id”：告訴ES那個字段作為整個文檔的ID，也就是查詢結果中的_id

其他的配置自己去探索。

然后我們使用saveAsNewAPIHadoopFile()將RDD寫入到ES。這部分代碼對于所有的ES都是一樣的，比較固定，不需要理解每一個細節(jié)

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))

最后我們可以使用curl進行查詢

curl http://localhost:9200s/walker/apache/_search&#63;pretty=true&&#63;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"
    }

如下是所有代碼：

import json
import hashlib
import re

def addId(data):
  j=json.dumps(data).encode('ascii', 'ignore')
  data['doc_id'] = hashlib.sha224(j).hexdigest()
  return (data['doc_id'], json.dumps(data))

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  

regex='^(\S+) (\S+) (\S+) \[([\w:/]+\s[+\-]\d{4})\] "(\S+)\s&#63;(\S+)&#63;\s&#63;(\S+)&#63;" (\d{3}|-) (\d+|-)\s&#63;"&#63;([^"]*)"&#63;\s&#63;"&#63;([^"]*)&#63;"&#63;$'

p=re.compile(regex)

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

rdd2 = rdd.map(parse)

rdd3 = rdd2.map(addID)

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)

也可以這么封裝，其實原理是一樣的

import hashlib
import json
from pyspark import Sparkcontext

def make_md5(line):
  md5_obj=hashlib.md5()
  md5_obj.encode(line)
  return md5_obj.hexdigest()

def parse(line):
  dic={}
  l = line.split('\t')
  doc_id=make_md5(line)
  dic['name']=l[1]
  dic['age'] =l[2]
  dic['doc_id']=doc_id
  return dic  #記得這邊返回的是字典類型的，在寫入es之前要記得dumps

def saveData2es(pdd, es_host, port,index, index_type, key):
  """
  把saprk的運行結果寫入es
  :param pdd: 一個rdd類型的數(shù)據(jù)
  :param es_host: 要寫es的ip
  :param index: 要寫入數(shù)據(jù)的索引
  :param index_type: 索引的類型
  :param key: 指定文檔的id，就是要以文檔的那個字段作為_id
  :return:
  """
  #實例es客戶端記得單例模式
  if es.exist.index(index):
    es.index.create(index, 'spo')
  es_write_conf = {
    "es.nodes": es_host,
    "es.port": port,
    "es.resource": index/index_type,
    "es.input.json": "yes",
    "es.mapping.id": key
  }

  (pdd.map(lambda _dic: ('', json.dumps(_dic))))  #這百年是為把這個數(shù)據(jù)構造成元組格式，如果傳進來的_dic是字典則需要jdumps，如果傳進來之前就已經(jīng)dumps，這便就不需要dumps了
  .saveAsNewAPIHadoopFile(
    path='-',
    outputFormatClass="org.elasticsearch.hadoop.mr.EsOutputFormat", keyClass="org.apache.hadoop.io.NullWritable",
    valueClass="org.elasticsearch.hadoop.mr.LinkedMapWritable",
    conf=es_write_conf)
  )
if __name__ == '__main__':
  #實例化sp對象
  sc=Sparkcontext()
  #文件中的呢內(nèi)容一行一行用sc的讀取出來
  json_text=sc.textFile('./1.txt')
  #進行轉(zhuǎn)換
  json_data=json_text.map(lambda line:parse(line))

  saveData2es(json_data,'127.0.01','9200','index_test','index_type','doc_id')

  sc.stop()

看到了把，面那個例子在寫入es之前加了一個id，返回一個元組格式的，現(xiàn)在這個封裝指定_id就會比較靈活了

看完上述內(nèi)容，是不是對Python把Spark數(shù)據(jù)寫入ElasticSearch的方法有進一步的了解，如果還想學習更多內(nèi)容，歡迎關注億速云行業(yè)資訊頻道。

向AI問一下細節(jié)

Python把Spark數(shù)據(jù)寫入ElasticSearch的方法

猜你喜歡

最新資訊

相關推薦

相關標簽