zoukankan      html  css  js  c++  java
  • spark-monog(2 数据读写)

    原文:https://blog.csdn.net/u011098327/article/details/72865934

    依赖:

    <dependency>
                <groupId>org.mongodb.spark</groupId>
                <artifactId>mongo-spark-connector_2.11</artifactId>
                <version>${mongodb-spark.version}</version>
            </dependency>
    <dependency>
                <groupId>org.apache.spark</groupId>
                <artifactId>spark-core_2.11</artifactId>
      </dependency>
    <dependency>
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-sql_2.11</artifactId>
    </dependency>
    <spark.version>2.1.1</spark.version> <mongodb-spark.version>2.0.0</mongodb-spark.version>

    spark2.x向mongodb中读取写入数据,读取写入相关参数参考 https://docs.mongodb.com/spark-connector/current/configuration/#cache-configuration

    从mongodb中读取数据时指定数据分区字段,分区大小提高读取效率, 当需要过滤部分数据集的情况下使用Dataset/SQL的方式filter,Mongo Connector会创建aggregation pipeline在mongodb端进行过滤,

    然后再传回给spark进行优化处理

       val spark = SparkSession
          .builder
          .appName("AppMongo")
          .master("local[*]")
          .config("spark.worker.cleanup.enabled", "true")
          .config("spark.scheduler.mode", "FAIR")
          .getOrCreate()
        val inputUri="mongodb://test:pwd123456@192.168.0.1:27017/test.articles"
        val df = spark.read.format("com.mongodb.spark.sql").options(
          Map("spark.mongodb.input.uri" -> inputUri,
            "spark.mongodb.input.partitioner" -> "MongoPaginateBySizePartitioner",
            "spark.mongodb.input.partitionerOptions.partitionKey"  -> "_id",
            "spark.mongodb.input.partitionerOptions.partitionSizeMB"-> "32"))
          .load()
        val currentTimestamp = System.currentTimeMillis()
        val originDf = df.filter(df("updateTime") < currentTimestamp && df("updateTime") >= currentTimestamp - 1440 * 60 * 1000)
          .select("_id", "content", "imgTotalCount").toDF("id", "content", "imgnum")
    val rdd = MongoSpark.load(sc)
    val aggregatedRdd = rdd.withPipeline(Seq(Document.parse("{ $match: { test : { $gt : 5 } } }")))
    println(aggregatedRdd.count)
    println(aggregatedRdd.first.toJson)

    spark操作mongodb的scala-api文档:https://docs.mongodb.com/spark-connector/current/scala-api/

    向mongo里面写数据可以使用两种不同的方式mode=overwrite,append
    overwirite 以覆盖的方式写入
    append    以追加的方式写入

    al outputUri="mongodb://test:pwd123456@192.168.0.1:27017/test.article_garbage" 
    saveDF.write.options(Map("spark.mongodb.output.uri"-> outputUri))
              .mode("append")
              .format("com.mongodb.spark.sql")
              .save()
  • 相关阅读:
    使用 Docker 安装 Jenkins 的最佳方式
    使用 Docker 在 Linux 上托管 ASP.NET Core 应用程序
    分布式缓存 Redis 集群搭建
    [译]RabbitMQ教程C#版
    如何解决 React 官方脚手架不支持 Less 的问题
    [译]RabbitMQ教程C#版
    [译]RabbitMQ教程C#版
    快速签发 Let's Encrypt 证书指南
    [译]RabbitMQ教程C#版
    [译]RabbitMQ教程C#版
  • 原文地址:https://www.cnblogs.com/lshan/p/13631734.html
Copyright © 2011-2022 走看看