ElasticSearch to Spark RDD

Question

我正在我的本地机器上测试ElasticSearch和Spark的集成，使用ElasticSearch中加载的一些测试数据。

val sparkConf = new SparkConf().setAppName("Test").setMaster("local")
val sc = new SparkContext(sparkConf)
val conf = new JobConf()
conf.set("spark.serializer", classOf[KryoSerializer].getName)
conf.set("es.nodes", "localhost:9200")
conf.set("es.resource", "bank/account")
conf.set("es.query", "?q=firstname:Daniel")
val esRDD = sc.hadoopRDD(conf,classOf[EsInputFormat[Text, MapWritable]],
      classOf[Text], classOf[MapWritable])
esRDD.first()
esRDD.collect()

代码运行良好，并成功返回正确的结果esRDD.first ()

但是，esRDD.collect()将生成异常:

java.io.NotSerializableException: org.apache.hadoop.io.Text
    at java.io.ObjectOutputStream.writeObject0(ObjectOutputStream.java:1184)
    at java.io.ObjectOutputStream.defaultWriteFields(ObjectOutputStream.java:1548)
    at java.io.ObjectOutputStream.writeSerialData(ObjectOutputStream.java:1509)
    at java.io.ObjectOutputStream.writeOrdinaryObject(ObjectOutputStream.java:1432)
    at java.io.ObjectOutputStream.writeObject0(ObjectOutputStream.java:1178)
    at java.io.ObjectOutputStream.writeArray(ObjectOutputStream.java:1378)
    at java.io.ObjectOutputStream.writeObject0(ObjectOutputStream.java:1174)
    at java.io.ObjectOutputStream.writeObject(ObjectOutputStream.java:348)
    at org.apache.spark.serializer.JavaSerializationStream.writeObject(JavaSerializer.scala:42)
    at org.apache.spark.serializer.JavaSerializerInstance.serialize(JavaSerializer.scala:71)
    at org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:193)
    at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1142)
    at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:617)
    at java.lang.Thread.run(Thread.java:745)

我相信这与这里提到的问题有关http://www.elasticsearch.org/guide/en/elasticsearch/hadoop/current/spark.html所以我添加了这一行

conf.set("spark.serializer", classOf[KryoSerializer].getName)

我应该做些什么让它工作吗?谢谢你

---

更新:解决了序列化设置问题。通过使用

sparkConf.set("spark.serializer", classOf[KryoSerializer].getName)

不是

conf.set("spark.serializer", classOf[KryoSerializer].getName)

现在有另一个这个数据集中有1000条不同的记录

esRDD.count()

返回1000没有问题，但是

esRDD.distinct().count()

返回5 !如果我打印记录

esRDD.foreach(println)

正确打印出1000条记录。但是如果我使用collect或take

esRDD.collect().foreach(println)
esRDD.take(10).foreach(println)

它将打印duplicate记录，并且确实只有5个UNIQUE记录显示，这似乎是整个数据集的随机子集-它不是前5条记录。如果我保存RDD并读取它

esRDD.saveAsTextFile("spark-output")
val esRDD2 = sc.textFile("spark-output")
esRDD2.distinct().count()
esRDD2.collect().foreach(println)
esRDD2.take(10).foreach(println)

esRDD2的行为与预期一致。我想知道是否有一个bug，或者一些我不理解的关于收集/拿走的行为。还是因为我在本地运行。默认情况下，Spark RDD似乎使用5个分区，如"Spark -output"文件的part-xxxx文件数量所示。这可能就是esRDD.collect()和esRDD.distinct()返回5个唯一记录的原因，而不是其他随机数。但这还是不对。

Answer 1

您应该使用以下代码进行初始化:

val sparkConf = new SparkConf().setAppName("Test").setMaster("local").set("spark.serializer", classOf[KryoSerializer].getName)
val sc = new SparkContext(sparkConf)
val conf = new JobConf()
conf.set("es.nodes", "localhost:9200")
conf.set("es.resource", "bank/account")
conf.set("es.query", "?q=firstname:Daniel")

Answer 2

你可以试试

val spark = new SparkConf()
    .set("spark.serializer","org.apache.spark.serializer.KryoSerializer")
    .set("es.nodes",localhost)
    .set("es.port","9200")
    .appName("ES")
    .master("local[*]")

val data = spark.read
  .format("org.elasticsearch.spark.sql")
  .option("es.query", "?q=firstname:Daniel")") 
  .load("bank/account").rdd
data.first()
data.collect()