Python如何把Spark數(shù)據(jù)寫入ElasticSearch
這里以將Apache的日志寫入到ElasticSearch為例，來演示一下如何使用Python將Spark數(shù)據(jù)導入到ES中。
實際工作中，由于數(shù)據(jù)與使用框架或技術(shù)的復雜性，數(shù)據(jù)的寫入變得比較復雜，在這里我們簡單演示一下。
如果使用Scala或Java的話，Spark提供自帶了支持寫入ES的支持庫，但Python不支持。所以首先你需要去這里下載依賴的ES官方開發(fā)的依賴包包。
下載完成后，放在本地目錄，以下面命令方式啟動pyspark:
pyspark --jars elasticsearch-hadoop-6.4.1.jar
如果你想pyspark使用Python3，請設(shè)置環(huán)境變量：
export PYSPARK_PYTHON=/usr/bin/python3
理解如何寫入ES的關(guān)鍵是要明白，ES是一個JSON格式的數(shù)據(jù)庫，它有一個必須的要求。數(shù)據(jù)格式必須采用以下格式
{ "id: { the rest of your json}}
往下會展示如何轉(zhuǎn)換成這種格式。
解析Apache日志文件
我們將Apache的日志文件讀入，構(gòu)建Spark RDD。然后我們寫一個parse()函數(shù)用正則表達式處理每條日志，提取我們需要的字
rdd = sc.textFile("/home/ubuntu/walker/apache_logs")
regex='^(\S+) (\S+) (\S+) \[([\w:/]+\s[+\-]\d{4})\] "(\S+)\s?(\S+)?\s?(\S+)?" (\d{3}|-) (\d+|-)\s?"?([^"]*)"?\s?"?([^"]*)?"?$'
p=re.compile(regex)
def parse(str):
s=p.match(str)
d = {}
d['ip']=s.group(1)
d['date']=s.group(4)
d['operation']=s.group(5)
d['uri']=s.group(6)
return d
換句話說，我們剛開始從日志文件讀入RDD的數(shù)據(jù)類似如下：
['83.149.9.216 - - [17/May/2015:10:05:03 +0000] "GET /presentations/logstash-monitorama-2013/images/kibana-search.png HTTP/1.1" 200 203023 "http://semicomplete.com/presentations/logstash-monitorama-2013/" "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_9_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/32.0.1700.77 Safari/537.36"']
然后我們使用map函數(shù)轉(zhuǎn)換每條記錄：
rdd2 = rdd.map(parse)
rdd2.take(1)
[{'date': '17/May/2015:10:05:03 +0000', 'ip': '83.149.9.216', 'operation': 'GET', 'uri': '/presentations/logstash-monitorama-2013/images/kibana-search.png'}]
現(xiàn)在看起來像JSON，但并不是JSON字符串，我們需要使用json.dumps將dict對象轉(zhuǎn)換。
我們同時增加一個doc_id字段作為整個JSON的ID。在配置ES中我們增加如下配置“es.mapping.id”: “doc_id”告訴ES我們將這個字段作為ID。
這里我們使用SHA算法，將這個JSON字符串作為參數(shù)，得到一個唯一ID。
計算結(jié)果類似如下，可以看到ID是一個很長的SHA數(shù)值。
rdd3.take(1)
[('a5b086b04e1cc45fb4a19e2a641bf99ea3a378599ef62ba12563b75c', '{"date": "17/May/2015:10:05:03 +0000", "ip": "83.149.9.216", "operation": "GET", "doc_id": "a5b086b04e1cc45fb4a19e2a641bf99ea3a378599ef62ba12563b75c", "uri": "/presentations/logstash-monitorama-2013/images/kibana-search.png"}')]
現(xiàn)在我們需要制定ES配置，比較重要的兩項是：
- “es.resource” : ‘walker/apache': "walker"是索引，apache是類型，兩者一般合稱索引
- “es.mapping.id”: “doc_id”： 告訴ES那個字段作為整個文檔的ID，也就是查詢結(jié)果中的_id
其他的配置自己去探索。
然后我們使用saveAsNewAPIHadoopFile()將RDD寫入到ES。這部分代碼對于所有的ES都是一樣的，比較固定，不需要理解每一個細節(jié)
es_write_conf = {
"es.nodes" : "localhost",
"es.port" : "9200",
"es.resource" : 'walker/apache',
"es.input.json": "yes",
"es.mapping.id": "doc_id"
}
rdd3.saveAsNewAPIHadoopFile(
path='-',
outputFormatClass="org.elasticsearch.hadoop.mr.EsOutputFormat", keyClass="org.apache.hadoop.io.NullWritable",
valueClass="org.elasticsearch.hadoop.mr.LinkedMapWritable",
conf=es_write_conf)
rdd3 = rdd2.map(addID)
def addId(data):
j=json.dumps(data).encode('ascii', 'ignore')
data['doc_id'] = hashlib.sha224(j).hexdigest()
return (data['doc_id'], json.dumps(data))
最后我們可以使用curl進行查詢
curl http://localhost:9200s/walker/apache/_search?pretty=true&?q=*
{
"_index" : "walker",
"_type" : "apache",
"_id" : "227e977849bfd5f8d1fca69b04f7a766560745c6cb3712c106d590c2",
"_score" : 1.0,
"_source" : {
"date" : "17/May/2015:10:05:32 +0000",
"ip" : "91.177.205.119",
"operation" : "GET",
"doc_id" : "227e977849bfd5f8d1fca69b04f7a766560745c6cb3712c106d590c2",
"uri" : "/favicon.ico"
}
如下是所有代碼：
import json
import hashlib
import re
def addId(data):
j=json.dumps(data).encode('ascii', 'ignore')
data['doc_id'] = hashlib.sha224(j).hexdigest()
return (data['doc_id'], json.dumps(data))
def parse(str):
s=p.match(str)
d = {}
d['ip']=s.group(1)
d['date']=s.group(4)
d['operation']=s.group(5)
d['uri']=s.group(6)
return d
regex='^(\S+) (\S+) (\S+) \[([\w:/]+\s[+\-]\d{4})\] "(\S+)\s?(\S+)?\s?(\S+)?" (\d{3}|-) (\d+|-)\s?"?([^"]*)"?\s?"?([^"]*)?"?$'
p=re.compile(regex)
rdd = sc.textFile("/home/ubuntu/walker/apache_logs")
rdd2 = rdd.map(parse)
rdd3 = rdd2.map(addID)
es_write_conf = {
"es.nodes" : "localhost",
"es.port" : "9200",
"es.resource" : 'walker/apache',
"es.input.json": "yes",
"es.mapping.id": "doc_id"
}
rdd3.saveAsNewAPIHadoopFile(
path='-',
outputFormatClass="org.elasticsearch.hadoop.mr.EsOutputFormat", keyClass="org.apache.hadoop.io.NullWritable",
valueClass="org.elasticsearch.hadoop.mr.LinkedMapWritable",
conf=es_write_conf)
也可以這么封裝，其實原理是一樣的
import hashlib
import json
from pyspark import Sparkcontext
def make_md5(line):
md5_obj=hashlib.md5()
md5_obj.encode(line)
return md5_obj.hexdigest()
def parse(line):
dic={}
l = line.split('\t')
doc_id=make_md5(line)
dic['name']=l[1]
dic['age'] =l[2]
dic['doc_id']=doc_id
return dic #記得這邊返回的是字典類型的，在寫入es之前要記得dumps
def saveData2es(pdd, es_host, port,index, index_type, key):
"""
把saprk的運行結(jié)果寫入es
:param pdd: 一個rdd類型的數(shù)據(jù)
:param es_host: 要寫es的ip
:param index: 要寫入數(shù)據(jù)的索引
:param index_type: 索引的類型
:param key: 指定文檔的id，就是要以文檔的那個字段作為_id
:return:
"""
#實例es客戶端記得單例模式
if es.exist.index(index):
es.index.create(index, 'spo')
es_write_conf = {
"es.nodes": es_host,
"es.port": port,
"es.resource": index/index_type,
"es.input.json": "yes",
"es.mapping.id": key
}
(pdd.map(lambda _dic: ('', json.dumps(_dic)))) #這百年是為把這個數(shù)據(jù)構(gòu)造成元組格式，如果傳進來的_dic是字典則需要jdumps，如果傳進來之前就已經(jīng)dumps，這便就不需要dumps了
.saveAsNewAPIHadoopFile(
path='-',
outputFormatClass="org.elasticsearch.hadoop.mr.EsOutputFormat", keyClass="org.apache.hadoop.io.NullWritable",
valueClass="org.elasticsearch.hadoop.mr.LinkedMapWritable",
conf=es_write_conf)
)
if __name__ == '__main__':
#實例化sp對象
sc=Sparkcontext()
#文件中的呢內(nèi)容一行一行用sc的讀取出來
json_text=sc.textFile('./1.txt')
#進行轉(zhuǎn)換
json_data=json_text.map(lambda line:parse(line))
saveData2es(json_data,'127.0.01','9200','index_test','index_type','doc_id')
sc.stop()
看到了把，面那個例子在寫入es之前加了一個id，返回一個元組格式的，現(xiàn)在這個封裝指定_id就會比較靈活了
以上就是本文的全部內(nèi)容，希望對大家的學習有所幫助，也希望大家多多支持腳本之家。
相關(guān)文章
python 正則表達式貪婪模式與非貪婪模式原理、用法實例分析
這篇文章主要介紹了python 正則表達式貪婪模式與非貪婪模式原理、用法,結(jié)合實例形式詳細分析了python 正則表達式貪婪模式與非貪婪模式的功能、原理、用法及相關(guān)操作注意事項,需要的朋友可以參考下2019-10-10
這篇文章主要介紹了Spark處理數(shù)據(jù)排序問題如何避免OOM,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2020-05-05
這篇文章主要為大家詳細介紹了opencv實現(xiàn)文檔矯正功能，文中示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下2022-08-08
pandas有一個option系統(tǒng)可以控制pandas的展示情況，一般來說我們不需要進行修改，但是不排除特殊情況下的修改需求。本文將會詳細講解pandas中的option設(shè)置，感興趣的可以了解下2021-07-07
這篇文章主要介紹了通過Python實現(xiàn)的簡易的自動玩貪吃蛇游戲的小程序，文中的示例代碼講解詳細，感興趣的小伙伴可以跟隨小編一起學一學2022-01-01
這篇文章主要介紹了Python中NumPy的ufuncs函數(shù)實例,NumPy是一個開源的Python科學計算庫,使用NumPy，就可以很自然地使用數(shù)組和矩陣,本文主要介紹Python Numpy ufuncs通用函數(shù),需要的朋友可以參考下2023-07-07
這篇文章主要介紹了python實現(xiàn)DES加密解密方法,以實例形式較為詳細的分析了基于Python實現(xiàn)的DES加密與解密技巧,需要的朋友可以參考下2015-06-06
使用Python構(gòu)建Hopfield網(wǎng)絡(luò)的教程
這篇文章主要介紹了使用Python構(gòu)建Hopfield網(wǎng)絡(luò)的教程,本文來自于IBM官方網(wǎng)站的技術(shù)文檔,需要的朋友可以參考下2015-04-04
python文件讀寫并使用mysql批量插入示例分享(python操作mysql)
這篇文章主要介紹了python文件讀寫并使用mysql批量插入示例,可以學習到python操作mysql數(shù)據(jù)庫的方法,需要的朋友可以參考下2014-02-02
這篇文章主要介紹了用Python爬取指定關(guān)鍵詞的微博，下面文章圍繞Python爬取指定關(guān)鍵詞的微博的相關(guān)資料展開詳細內(nèi)容,需要的朋友可以參考一下2021-11-11