Spark 整合ElasticSearch

因为做资料搜索用到了ElasticSearch，最近又了解一下 Spark ML，先来演示一个Spark 读取/写入 ElasticSearch 简单示例。(spark 读取ElasticSearch中数据)

环境：IDEA2016，JDK8，windows10，安装的 ElasticSearch6.3.2 和 spark-2.3.1-bin-hadoop2.7，使用mvn package 将程序打成jar包，采用spark-submit提交给spark执行。

先在ElasticSearch中创建一个索引用来演示。因为是文本数据，因此采用ik分词。可参考:elasticsearch-ik

• 创建索引：PUT /index_ik_test

• 设置mapping 及相应的分词器，这里指定 content 字段为 ElasticSearch 的text 类型，并使用ik_max_word 分词模式

  POST index_ik_test/fulltext/_mapping
  {
  "properties": {
  "content":{
  "type": "text",
  "analyzer": "ik_max_word",
  "search_analyzer": "ik_max_word"
  }
  }
  }

• 存几篇文档到ElasticSearch中

  POST index_ik_test/fulltext/1
  {"content":"其中有两个人受伤了"}

• ik 分词器有两种分词模式：ik_max_word和ik_smart。可通过如下方式查看一下这两者的区别：

  GET index_ik_test/_analyze
  {
  "text": ["其中国家投资了500万"],
  "tokenizer": "ik_smart"
  }

  分词结果：其中、国家、投资、了、500万

  ​

  GET index_ik_test/_analyze
  {
  "text": ["其中国家投资了500万"],
  "tokenizer": "ik_max_word"
  }

  分词结果：其中、中国、国家、投资、了、500、万

• 使用GET index_ik_test/_mapping可查看索引的配置信息

  {
  "index_ik_test": {
  "mappings": {
  "fulltext": {
  "properties": {
  "content": {
  "type": "text",
  "analyzer": "ik_max_word"
  }
  }
  }
  }
  }
  }

好，现在ElasticSearch中有数据了，现在看怎么基于Spark读取ElasticSearch中的数据。

IDEA2016中新建一个Maven工程，当然也可以用SpringBoot工程，但是这里的是单纯的Maven Project。

ElasticSearch官方提供了elasticsearch-hadoop来供Spark访问ElasticSearch。具体可参考：官方文档es for spark。

官方提供了elasticsearch-hadoopmaven 依赖，这个依赖包括了：ElasticSearch for Hadoop MR、ElasticSearch for Hadoop Hive、ElasticSearch for Hadoop Spark。如果只用到了Spark，也可以只添加ElasticSearch for spark依赖。具体可参考：(这个链接)[https://www.elastic.co/guide/en/elasticsearch/hadoop/current/install.html]

<dependency><groupId>org.elasticsearch</groupId><artifactId>elasticsearch-spark-20_2.10</artifactId><version>6.3.2</version>
</dependency>

创建spark运行上下文时需要spark-sql_2.11依赖，可参考：spark 官方文档quick start。

To build the program, we also write a Maven pom.xml file that lists Spark as a dependency. Note that Spark artifacts are tagged with a Scala version.

在本文的示例中，添加了下面3个maven依赖：

<dependency><groupId>org.elasticsearch</groupId><artifactId>elasticsearch-hadoop</artifactId><version>6.3.2</version>
</dependency>
<!-- Spark dependency -->
<dependency><groupId>org.apache.spark</groupId><artifactId>spark-sql_2.11</artifactId><version>2.3.1</version>
</dependency><dependency><groupId>com.google.guava</groupId><artifactId>guava</artifactId><version>22.0</version>
</dependency>

下面来直接看示例代码：

向ElasticSearch中写入数据

• spark配置连接ElasticSearch。可参考：elasticsearch-hadoop-master，我们采用的是：Configure the connector to run in WAN mode

  SparkConf sparkConf = new SparkConf().setAppName("writeEs").setMaster("local[*]").set("es.index.auto.create", "true").set("es.nodes", "ELASTIC_SEARCH_IP").set("es.port", "9200").set("es.nodes.wan.only", "true");

• 将数据写入到ElasticSearch

  JavaRDD<Map<String, ?>> javaRDD = jsc.parallelize(ImmutableList.of(numbers, airports));
  JavaEsSpark.saveToEs(javaRDD, elasticIndex);

从ElasticSearch查询数据

    JavaRDD<Map<String, Object>> searchRdd = esRDD(jsc, "index_ik_test/fulltext", "?q=中国").values();for (Map<String, Object> item : searchRdd.collect()) {item.forEach((key, value)->{System.out.println("search key:" + key + ", search value:" + value);});}

使用?q=中国作为查询条件。整个完整示例代码如下：

import com.google.common.collect.ImmutableList;
import com.google.common.collect.ImmutableMap;
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.sql.SparkSession;
import org.elasticsearch.spark.rdd.api.java.JavaEsSpark;import java.util.Map;import static org.elasticsearch.spark.rdd.api.java.JavaEsSpark.esRDD;/*** Created by Administrator on 2018/8/28.*/
public class EsSparkTest {public void writeEs() {String elasticIndex = "spark/docs";//https://www.elastic.co/guide/en/elasticsearch/hadoop/current/spark.html#spark-nativeSparkConf sparkConf = new SparkConf().setAppName("writeEs").setMaster("local[*]").set("es.index.auto.create", "true").set("es.nodes", "ELASTIC_SEARCH_IP").set("es.port", "9200").set("es.nodes.wan.only", "true");SparkSession sparkSession = SparkSession.builder().config(sparkConf).getOrCreate();JavaSparkContext jsc = new JavaSparkContext(sparkSession.sparkContext());//adapterMap<String, ?> numbers = ImmutableMap.of("one", 1, "two", 2);Map<String, ?> airports = ImmutableMap.of("OTP", "Otopeni", "SFO", "San Fran");JavaRDD<Map<String, ?>> javaRDD = jsc.parallelize(ImmutableList.of(numbers, airports));JavaEsSpark.saveToEs(javaRDD, elasticIndex);}public void readEs() {SparkConf sparkConf = new SparkConf().setAppName("writeEs").setMaster("local[*]").set("es.index.auto.create", "true").set("es.nodes", "ELASTIC_SEARCH_IP").set("es.port", "9200").set("es.nodes.wan.only", "true");SparkSession sparkSession = SparkSession.builder().config(sparkConf).getOrCreate();JavaSparkContext jsc = new JavaSparkContext(sparkSession.sparkContext());//adapterJavaRDD<Map<String, Object>> searchRdd = esRDD(jsc, "index_ik_test/fulltext", "?q=中国").values();for (Map<String, Object> item : searchRdd.collect()) {item.forEach((key, value)->{System.out.println("search key:" + key + ", search value:" + value);});}sparkSession.stop();}
}

DemoApplication.java 入口main类

public class DemoApplication {public static void main(String[] args) {new EsSparkTest().readEs();}
}

IDEA菜单栏：view ---> window tools --->maven projects 打开maven 侧边栏。直接双击package打包。

$rz -bey esdemo-1.0-SNAPSHOT.jar 将打成的jar包上传到部署spark服务器上，使用如下命令提交运行：

~/spark-2.3.1-bin-hadoop2.7/bin/spark-submit --class DemoApplication esdemo-1.0-SNAPSHOT.jar

--class 是类的全路径名。如果执行过程中抛出ClassNotFoundException异常，要看一下pom.xml中指定的依赖是否在Spark安装目录下的 jars/ 目录下（比如事先把Guava jar 和 elasticsearch-hadoop-6.3.2.jar 上传到 jars/目录下）。最终执行readEs()方法查询得到的文档如下：

因为 content 字段采用的是ik_max_word分词模式，因此文本其中国家投资了500万 分词结果中包含了 中国，从而使得这篇document被查询到了。

后期补充：

在使用Spark 查询ElasticSearch中数据时，由于ElasticSearch索引user中定义了一个日期字段，如下：

    "created": {"type": "date","format": "yyyy-MM-dd HH:mm:ss"}

导致Spark执行下面语句查询

JavaRDD<Map<String, Object>> searchRdd = JavaEsSpark.esRDD(jsc, "user/profile", "?q=test").values();
for (Map<String, Object> item : searchRdd.collect()) {item.forEach((key, value)->{System.out.println("search key:" + key + ", search value:" + value);});
}

反序列化构建日期对象时，报错：

Caused by: org.elasticsearch.hadoop.EsHadoopIllegalArgumentException: Cannot invoke method public org.joda.time.DateTime org.joda.time.format.DateTimeFormatter.parseDateTime(java.lang.String)
at org.elasticsearch.hadoop.util.ReflectionUtils.invoke(ReflectionUtils.java:93)
at org.elasticsearch.hadoop.util.DateUtils$JodaTime.parseDate(DateUtils.java:105)
at org.elasticsearch.hadoop.util.DateUtils.parseDate(DateUtils.java:122)
at org.elasticsearch.hadoop.serialization.builder.JdkValueReader.parseDate(JdkValueReader.java:424)
at org.elasticsearch.hadoop.serialization.builder.JdkValueReader.date(JdkValueReader.java:412)
at org.elasticsearch.hadoop.serialization.builder.JdkValueReader.readValue(JdkValueReader.java:88)
at org.elasticsearch.hadoop.serialization.ScrollReader.parseValue(ScrollReader.java:789)
at org.elasticsearch.hadoop.serialization.ScrollReader.read(ScrollReader.java:739)
... 31 more
Caused by: java.lang.reflect.InvocationTargetException
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 org.elasticsearch.hadoop.util.ReflectionUtils.invoke(ReflectionUtils.java:91)
... 38 more
Caused by: java.lang.IllegalArgumentException: Invalid format: "2018-10-08 19:00:41" is malformed at " 19:00:41"
at org.joda.time.format.DateTimeFormatter.parseDateTime(DateTimeFormatter.java:945)
... 43 more

这应该是我索引中定义的日期格式是yyyy-MM-dd HH:mm:ss，而org.joda.time.format.DateTimeFormatter默认使用的日期格式不同导致的，但是又不知道在哪里指定日期格式进行Format，所以真的是又遇到了个坑……

如下测试，joda 是支持如下格式的日期格式的：

        String pattern = "yyyy-MM-dd HH:mm:ss";String aTime = "2018-10-08 19:00:41";DateTimeFormatter format = DateTimeFormat.forPattern(pattern);DateTime dateTime = format.parseDateTime(aTime);//no error

spark2.3中依赖的：joda的版本如下：

~/spark-2.3.1-bin-hadoop2.7/jars$ ls | grep joda
joda-time-2.9.3.jar