Python Spark Dataframe 到 Elasticsearch

Question

我不知道如何使用 Spark 中的 python 将数据帧写入 Elasticsearch。我从这里开始遵循步骤。

这是我的代码：

# Read file
df = sqlContext.read \
    .format('com.databricks.spark.csv') \
    .options(header='true') \
    .load('/vagrant/data/input/input.csv', schema = customSchema)

df.registerTempTable("data")

# KPIs
kpi1 = sqlContext.sql("SELECT * FROM data")

es_conf = {"es.nodes" : "10.10.10.10","es.port" : "9200","es.resource" : "kpi"}
kpi1.rdd.saveAsNewAPIHadoopFile(
    path='-',
    outputFormatClass="org.elasticsearch.hadoop.mr.EsOutputFormat",
    keyClass="org.apache.hadoop.io.NullWritable",
    valueClass="org.elasticsearch.hadoop.mr.LinkedMapWritable",
    conf=es_conf)

上面的代码给出了

原因：net.razorvine.pickle.PickleException：构造 ClassDict 时预期参数为零（对于 pyspark.sql.types._create_row）

我还从以下位置启动了脚本： spark-submit --master spark://aggregator:7077 --jars ../jars/elasticsearch-hadoop-2.4.0/dist/elasticsearch-hadoop-2.4.0.jar /vagrant/scripts/aggregation.py以确保elasticsearch-hadoop已加载

Answer 1

对于初学者来说saveAsNewAPIHadoopFile，期望是成对RDD的(key, value)，而在您的情况下，这可能只是偶然发生。同样的事情也适用于您声明的值格式。

我不熟悉 Elastic，但根据论点，您可能应该尝试类似的操作：

kpi1.rdd.map(lambda row: (None, row.asDict()).saveAsNewAPIHadoopFile(...)

由于 Elastic-Hadoop 提供 SQL 数据源，您还应该能够跳过它并直接保存数据：

df.write.format("org.elasticsearch.spark.sql").save(...)