apache-spark - 无法使用 PySpark 从 Elasticsearch 读取

标签 apache-spark hadoop elasticsearch pyspark jupyter-notebook

也许外面有人可以帮助我。 我正在尝试使用 PySpark 从 ES 读取数据。我的 Jupyter Notebook 代码非常简单:

import pyspark
conf = pyspark.SparkConf().setAppName('Test').setMaster('spark://spark-master:7077')
sc = pyspark.SparkContext(conf=conf)
es_rdd = sc.newAPIHadoopRDD(
    inputFormatClass="org.elasticsearch.hadoop.mr.EsInputFormat",
    keyClass="org.apache.hadoop.io.NullWritable",
    valueClass="org.elasticsearch.hadoop.mr.LinkedMapWritable",
    conf={
        "es.resource": "some-log/doc",
        "es.nodes": "192.168.1.25",
        "es.port": "9200"
    })

我在运行 NB 的主机上安装了 Spark 和 Jupyter Notebook。 spark-defaults.conf 文件通过以下方式加载“elasticsearch-hadoop-6.4.0.jar”:spark.jars/opt/maya/es-hadoop/elasticsearch-hadoop-6.4.0.jar

我可以连接到 ES 实例并使用其他工具(如 elasticsearch-py)从中读取,Test 应用程序显示在 Spark Master UI 中。但是,当我执行上面的代码时,我不断收到此错误:

    ---------------------------------------------------------------------------
    Py4JJavaError                             Traceback (most recent call last)
    <ipython-input-5-c990f37c388b> in <module>
          6         "es.resource": "logs-dfir-winevent-security-*/doc",
          7         "es.nodes": "192.168.248.131",
    ----> 8         "es.port": "9200"
          9     })
         10 #es_rdd.first()

    /opt/anaconda/lib/python3.6/site-packages/pyspark/context.py in newAPIHadoopRDD(self, inputFormatClass, keyClass, valueClass, keyConverter, valueConverter, conf, batchSize)
        715         jrdd = self._jvm.PythonRDD.newAPIHadoopRDD(self._jsc, inputFormatClass, keyClass,
        716                                                    valueClass, keyConverter, valueConverter,
    --> 717                                                    jconf, batchSize)
        718         return RDD(jrdd, self)
        719 

    /opt/anaconda/lib/python3.6/site-packages/py4j/java_gateway.py in __call__(self, *args)
       1255         answer = self.gateway_client.send_command(command)
       1256         return_value = get_return_value(
    -> 1257             answer, self.gateway_client, self.target_id, self.name)
       1258 
       1259         for temp_arg in temp_args:

    /opt/anaconda/lib/python3.6/site-packages/py4j/protocol.py in get_return_value(answer, gateway_client, target_id, name)
        326                 raise Py4JJavaError(
        327                     "An error occurred while calling {0}{1}{2}.\n".
    --> 328                     format(target_id, ".", name), value)
        329             else:
        330                 raise Py4JError(

Py4JJavaError: An error occurred while calling z:org.apache.spark.api.python.PythonRDD.newAPIHadoopRDD.
: java.lang.ClassNotFoundException: org.elasticsearch.hadoop.mr.LinkedMapWritable
    at java.net.URLClassLoader.findClass(URLClassLoader.java:381)
    at java.lang.ClassLoader.loadClass(ClassLoader.java:424)
    at java.lang.ClassLoader.loadClass(ClassLoader.java:357)
    at java.lang.Class.forName0(Native Method)
    at java.lang.Class.forName(Class.java:348)
    at org.apache.spark.util.Utils$.classForName(Utils.scala:238)
    at org.apache.spark.api.python.PythonRDD$.newAPIHadoopRDDFromClassNames(PythonRDD.scala:302)
    at org.apache.spark.api.python.PythonRDD$.newAPIHadoopRDD(PythonRDD.scala:286)
    at org.apache.spark.api.python.PythonRDD.newAPIHadoopRDD(PythonRDD.scala)
    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 py4j.reflection.MethodInvoker.invoke(MethodInvoker.java:244)
    at py4j.reflection.ReflectionEngine.invoke(ReflectionEngine.java:357)
    at py4j.Gateway.invoke(Gateway.java:282)
    at py4j.commands.AbstractCommand.invokeMethod(AbstractCommand.java:132)
    at py4j.commands.CallCommand.execute(CallCommand.java:79)
    at py4j.GatewayConnection.run(GatewayConnection.java:238)
    at java.lang.Thread.run(Thread.java:748)

我已经搜索过,但看不出错误出在代码本身,我感觉这个问题与运行 Jupyter Notebook 的主机中错误的 Spark 配置有关。任何见解将不胜感激!

最佳答案

请引用这个问题:pyspark: ship jar dependency with spark-submit

您需要做的是将依赖项的 jar 与配置一起传递。如果您使用的是 Jupyter notebook,则可以通过 SparkConf() 添加它,例如:

conf = SparkConf().option('spark.driver.extraClassPath', 'full/path/to/jar')

只需将您的代码更改为:

conf = pyspark.SparkConf().setAppName('Test').setMaster('spark://spark-master:7077').option('spark.driver.extraClassPath', 'full/path/to/jar')

关于apache-spark - 无法使用 PySpark 从 Elasticsearch 读取,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/52659109/

相关文章:

scala - 如何避免在自定义数据源中对数组中的字节进行装箱?

hadoop - 使用 Hive 将由双引号和逗号分隔的 CSV 文件导入 Hbase

elasticsearch - 带有边界框GeoLocation的 Elasticsearch 渗透在Lucene中引发NullPointerException

elasticsearch - 使用现有列值更新Elastic Search的所有文档

elasticsearch - 如何跟踪被拒绝和丢弃事件的总数

python - 属性错误 :split on spark sql python using lambda

apache-spark - 如何计算 Spark 中的距离矩阵?

java - 在 Hadoop 配置上使用应用程序配置

linux - Hadoop/Hive 命令在 Crontab 中不起作用

python - (Pyspark - 在一段时间内按用户分组