Spark SQL大数据处理并写入Elasticsearch
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.diame(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 udf10 from settings import ES_CONF11 12 current_dir = os.path.diame(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 :retu:22 """23 if 0 <= value <= 50:24 retu "Very Good"25 elif 50 < value <= 100:26 retu "Good"27 elif 100 < value <= 150:28 retu "Unhealthy for Sensi"29 elif value <= 200:30 retu "Unhealthy"31 elif 200 < value <= 300:32 retu "Very Unhealthy"33 elif 300 < value <= 500:34 retu "Hazardous"35 elif value > 500:36 retu "Extreme danger"37 else:38 retu None39 40 41 def get_weather_result():42 """43 获取Spark SQL分析后的数据44 :retu:45 """46 # load所需字段的数据到DF47 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Schema54 df_2017.printSchema()55 56 # 通过udf将字符型health_level转换为column57 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 retu result_201771 72 73 def write_result_es():74 """75 将SparkSQL计算结果写入到ES76 :retu:77 """78 result_2017 = get_weather_result()79 # ES_CONF配置 ES的node和index80 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()
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
作者：HarvardFly
来源链接：https://www.cnblogs.com/FG123/p/9748836.html
版权声明：
1、JavaClub（https://www.javaclub.cn）以学习交流为目的，由作者投稿、网友推荐和小编整理收藏优秀的IT技术及相关内容，包括但不限于文字、图片、音频、视频、软件、程序等,其均来自互联网，本站不享有版权，版权归原作者所有。
2、本站提供的内容仅用于个人学习、研究或欣赏，以及其他非商业性或非盈利性用途，但同时应遵守著作权法及其他相关法律的规定，不得侵犯相关权利人及本网站的合法权利。
3、本网站内容原作者如不愿意在本网站刊登内容，请及时通知本站（javaclubcn@163.com），我们将第一时间核实后及时予以删除。
