我在本地机器上测试了ElasticSearch和Spark的集成,使用了一些加载到elasticsearch中的测试数据。
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()
使用esRDD.first()可以成功运行代码并返回正确结果。
然而,调用esRDD.collect()会引发异常:
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)
我认为这与此处提到的问题有关http://www.elasticsearch.org/guide/en/elasticsearch/hadoop/current/spark.html,因此我相应地添加了这一行。
conf.set("spark.serializer", classOf[KryoSerializer].getName)
我需要做其他事情才能让它工作吗? 谢谢
更新: 序列化设置问题已经解决。通过使用
sparkConf.set("spark.serializer", classOf[KryoSerializer].getName)
代替
conf.set("spark.serializer", classOf[KryoSerializer].getName)
现在出现了另一个数据集。 该数据集中有1000个不同的记录。
esRDD.count()
返回1000没问题,但是
esRDD.distinct().count()
返回 5!如果我打印记录
esRDD.foreach(println)
它正确地打印出了前1000条记录。但是,如果我使用collect或take
esRDD.collect().foreach(println)
esRDD.take(10).foreach(println)
它将打印重复记录,实际上只显示了5个唯一的记录,这似乎是整个数据集的随机子集 - 不是前5条记录。 如果我保存RDD并重新读取
esRDD.saveAsTextFile("spark-output")
val esRDD2 = sc.textFile("spark-output")
esRDD2.distinct().count()
esRDD2.collect().foreach(println)
esRDD2.take(10).foreach(println)
esRDD2表现正常。我不知道是不是有bug,或者是我对collect/take的行为理解有误。还是因为我在本地运行的原因呢? 默认情况下,Spark RDD似乎使用5个分区,就像“spark-output”文件中part-xxxx文件的数量所示。这可能是为什么esRDD.collect()和esRDD.distinct()返回了5个唯一记录,而不是其他随机数字的原因。但这仍然不对。