溫馨提示×

溫馨提示×

您好,登錄后才能下訂單哦!

密碼登錄×
登錄注冊×
其他方式登錄
點(diǎn)擊 登錄注冊 即表示同意《億速云用戶服務(wù)條款》

pyspark操作MongoDB的方法步驟

發(fā)布時間:2020-10-07 18:23:25 來源:腳本之家 閱讀:292 作者:小歪的博客 欄目:開發(fā)技術(shù)

如何導(dǎo)入數(shù)據(jù)

數(shù)據(jù)可能有各種格式,雖然常見的是HDFS,但是因?yàn)樵赑ython爬蟲中數(shù)據(jù)庫用的比較多的是MongoDB,所以這里會重點(diǎn)說說如何用spark導(dǎo)入MongoDB中的數(shù)據(jù)。

當(dāng)然,首先你需要在自己電腦上安裝spark環(huán)境,簡單說下,在這里下載spark,同時需要配置好JAVA,Scala環(huán)境。

這里建議使用Jupyter notebook,會比較方便,在環(huán)境變量中這樣設(shè)置

PYSPARK_DRIVER_PYTHON=jupyter PYSPARK_DRIVER_PYTHON_OPTS=notebook ./bin/pyspark
如果你的環(huán)境中有多個Python版本,同樣可以制定你想要使用的解釋器,我這里是python36,根據(jù)需求修改。

PYSPARK_PYTHON=/usr/bin/python36

pyspark對mongo數(shù)據(jù)庫的基本操作 (๑• . •๑)

pyspark操作MongoDB的方法步驟

有幾點(diǎn)需要注意的:

  • 不要安裝最新的pyspark版本,請安裝 pip3 install pyspark==2.3.2
  •  spark-connector 與平常的MongoDB寫法不同,格式是: mongodb://127.0.0.1:database.collection
  • 如果計(jì)算數(shù)據(jù)量比較大,你的電腦可能會比較卡,^_^
#!/usr/bin/env python
# -*- coding: utf-8 -*-
"""
@author: zhangslob
@file: spark_count.py 
@time: 2019/01/03
@desc:
  不要安裝最新的pyspark版本
  `pip3 install pyspark==2.3.2`
  更多pyspark操作MongoDB請看https://docs.mongodb.com/spark-connector/master/python-api/
"""

import os
from pyspark.sql import SparkSession

# set PYSPARK_PYTHON to python36
os.environ['PYSPARK_PYTHON'] = '/usr/bin/python36'

# load mongodb data
# 格式是:"mongodb://127.0.0.1:database.collection"
input_uri = "mongodb://127.0.0.1:27017/spark.spark_test"
output_uri = "mongodb://127.0.0.1:27017/spark.spark_test"

# 創(chuàng)建spark,默認(rèn)使用本地環(huán)境,或者"spark://master:7077"
spark = SparkSession \
  .builder \
  .master("local") \
  .appName("MyApp") \
  .config("spark.mongodb.input.uri", input_uri) \
  .config("spark.mongodb.output.uri", output_uri) \
  .config('spark.jars.packages', 'org.mongodb.spark:mongo-spark-connector_2.11:2.2.0') \
  .getOrCreate()


def except_id(collection_1, collection_2, output_collection, pipeline):
  """
  計(jì)算表1與表2中不同的數(shù)據(jù)
  :param collection_1: 導(dǎo)入表1
  :param collection_2: 導(dǎo)入表2
  :param output_collection: 保存的表
  :param pipeline: MongoDB查詢語句 str
  :return:
  """
  # 可以在這里指定想要導(dǎo)入的數(shù)據(jù)庫,將會覆蓋上面配置中的input_uri。下面保存數(shù)據(jù)也一樣
  # .option("collection", "mongodb://127.0.0.1:27017/spark.spark_test")
  # .option("database", "people").option("collection", "contacts")

  df_1 = spark.read.format('com.mongodb.spark.sql.DefaultSource').option("collection", collection_1) \
    .option("pipeline", pipeline).load()

  df_2 = spark.read.format('com.mongodb.spark.sql.DefaultSource').option("collection", collection_2) \
    .option("pipeline", pipeline).load()

  # df_1有但是不在 df_2,同理可以計(jì)算df_2有,df_1沒有
  df = df_1.subtract(df_2)
  df.show()

  # mode 參數(shù)可選范圍
  # * `append`: Append contents of this :class:`DataFrame` to existing data.
  # * `overwrite`: Overwrite existing data.
  # * `error` or `errorifexists`: Throw an exception if data already exists.
  # * `ignore`: Silently ignore this operation if data already exists.

  df.write.format("com.mongodb.spark.sql.DefaultSource").option("collection", output_collection).mode("append").save()
  spark.stop()


if __name__ == '__main__':
  # mongodb query, MongoDB查詢語句,可以減少導(dǎo)入數(shù)據(jù)量
  pipeline = "[{'$project': {'uid': 1, '_id': 0}}]"

  collection_1 = "spark_1"
  collection_2 = "spark_2"
  output_collection = 'diff_uid'
  except_id(collection_1, collection_2, output_collection, pipeline)
  print('success')

完整代碼地址: spark_count_diff_uid.py

以上就是本文的全部內(nèi)容,希望對大家的學(xué)習(xí)有所幫助,也希望大家多多支持億速云。

向AI問一下細(xì)節(jié)

免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點(diǎn)不代表本網(wǎng)站立場,如果涉及侵權(quán)請聯(lián)系站長郵箱:is@yisu.com進(jìn)行舉報(bào),并提供相關(guān)證據(jù),一經(jīng)查實(shí),將立刻刪除涉嫌侵權(quán)內(nèi)容。

AI