我对Spark和Scala都不熟悉。我已经在互联网上阅读了一些文章。我可以使用Spark成功地从Elasticsearch获取文档,但是我对如何从文档中提取字段感到困惑。
我做了什么
我有33,617个文档:
import ...
val conf = new JobConf()
conf.set("es.resource", "index-name/type-name")
conf.set("es.nodes", "hostname1:9200,hostname2:9200")
conf.set("es.query", "{...}")
val esRDD = sc.newAPIHadoopRDD(conf, classOf[EsInputFormat[Text, MapWritable]], classOf[Text], classOf[MapWritable])
scala> esRDD.count() // That's GOOD!
res11: Long = 33617
scala> esRDD.take(5).foreach(row => println(row._2))
{@version=1, field1=a, ...}
{@version=1, field1=a, ...}
{@version=1, field1=b, ...}
{@version=1, field1=b, ...}
{@version=1, field1=b, ...}
问题1:如何打印特定字段。
我不知道如何在Scala中使用
org.apache.hadoop.io.MapWritable
。// Error!!
scala> esRDD.take(5).foreach(row => println(row._2("field1")))
error: org.apache.hadoop.io.MapWritable does not take parameters
esRDD.take(5).foreach(row => println(row._2("field1")))
// Oops. null is printed
scala> esRDD.take(5).foreach(row => println(row._2.get("field1")))
null
null
null
null
null
问题2:如何按计数分组
我的最终目标是按
field1
进行汇总并按如下所示打印其计数:scala> esRDD.groupBy(???).mapValues(_.size)
Map(a => 2, b => 3) // How to get this output??
但是,我无法弄清楚。
@Mateusz的答案测试
$ bin/spark-shell --master local --jars jars/elasticsearch-spark_2.11-2.2.0.jar
scala> import org.elasticsearch.spark._
scala> val rdd: RDD[(String, Map[String, Any])] = sc.esRDD("index-name/type-name")
<console>:45: error: not found: type RDD
val rdd: RDD[(String, Map[String, Any])] = sc.esRDD("index-name/type-name")
^
scala> sc.esRDD("index-name/type-name")
java.lang.NoSuchMethodError: scala.Predef$.ArrowAssoc(Ljava/lang/Object;)Ljava/lang/Object;
at org.elasticsearch.spark.rdd.EsSpark$.esRDD(EsSpark.scala:26)
at org.elasticsearch.spark.package$SparkContextFunctions.esRDD(package.scala:20)
最佳答案
Elasticsearch-hadoop具有对Spark的本地支持,我建议使用它-API更加简单:
import org.elasticsearch.spark._
val rdd: RDD[(String, Map[String, Any])] = sc.esRDD("index-name/type-name")
这是一个简单的元组rdd,其中键是文档ID,而Map表示您的ES文档。
您可以将其映射到其他元组中,如下所示:
val mapped = rdd.map{ case(id, doc) => (doc.get("field1").get, 1) }
我输入1,因为看来您在其他任何地方都不需要
doc
。然后执行groupByKey
和 map :mapped.groupByKey().map{ case(key,val) => (key, val.size) }
另外,如果仅使用Spark连接器,则不需要整个es-hadoop依赖关系,这相当大,您可以使用elasticsearch-spark
有关更多信息,您可以检查documentation。
关于scala - 如何在Spark和Elasticsearch中迭代hadoop MapWritable,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/35931429/