将 Spark Dataframe 保存到 Elasticsearch - 无法处理类型异常

我设计了一个简单的作业，使用 Spark 从 MySQL 读取数据并将其保存在 Elasticsearch 中。

这是代码：

JavaSparkContext sc = new JavaSparkContext(
        new SparkConf().setAppName("MySQLtoEs")
                .set("es.index.auto.create", "true")
                .set("es.nodes", "127.0.0.1:9200")
                .set("es.mapping.id", "id")
                .set("spark.serializer", KryoSerializer.class.getName()));

SQLContext sqlContext = new SQLContext(sc);

// Data source options
Map<String, String> options = new HashMap<>();
options.put("driver", MYSQL_DRIVER);
options.put("url", MYSQL_CONNECTION_URL);
options.put("dbtable", "OFFERS");
options.put("partitionColumn", "id");
options.put("lowerBound", "10001");
options.put("upperBound", "499999");
options.put("numPartitions", "10");

// Load MySQL query result as DataFrame
LOGGER.info("Loading DataFrame");
DataFrame jdbcDF = sqlContext.load("jdbc", options);
DataFrame df = jdbcDF.select("id", "title", "description",
        "merchantId", "price", "keywords", "brandId", "categoryId");
df.show();
LOGGER.info("df.count : " + df.count());
EsSparkSQL.saveToEs(df, "offers/product");

可以看到代码非常简单。它将数据读入 DataFrame，选择一些列，然后执行count作为数据框上的基本操作。到目前为止一切正常。

然后它尝试将数据保存到 Elasticsearch 中，但失败了，因为它无法处理某些类型。可以看到错误日志here https://gist.github.com/eliasah/76a58145cefc4fec1111.

我不确定为什么它不能处理这种类型。有谁知道为什么会发生这种情况？

我正在使用 Apache Spark 1.5.0、Elasticsearch 1.4.4 和 ematicsearch-hadoop 2.1.1

EDIT:

• 我已经使用示例数据集和源代码更新了要点链接。
• 我也尝试过使用elasticsearch-hadoop开发构建 https://www.elastic.co/guide/en/elasticsearch/hadoop/current/install.html#download-dev正如@costin 在邮件列表中提到的。

这个问题的答案很棘手，但感谢samklr https://twitter.com/samklr，我已经设法弄清楚问题出在哪里。

然而，解决方案并不简单，并且可能会考虑一些“不必要的”转换。

首先我们来谈谈序列化.

Spark 中数据序列化和函数序列化需要考虑两个方面的序列化。在本例中，涉及数据序列化和反序列化。

从 Spark 的角度来看，唯一需要的就是设置序列化 - Spark 默认依赖于 Java 序列化，这很方便，但效率相当低。这就是Hadoop本身引入自己的序列化机制和自己的类型的原因——即Writables。像这样，InputFormat and OutputFormats需要返回WritablesSpark 开箱即用时无法理解。

使用elasticsearch-spark连接器，必须启用一种不同的序列化（Kryo），它可以自动处理转换并且非常高效。

conf.set("spark.serializer","org.apache.spark.serializer.KryoSerializer")

即使 Kryo 不要求类实现要序列化的特定接口，这意味着 POJO 可以在 RDD 中使用，除了启用 Kryo 序列化之外无需任何进一步的工作。

也就是说，@samklr 向我指出 Kryo 需要在使用类之前注册它们。

这是因为 Kryo 写入了对正在序列化的对象的类的引用（为每个写入的对象写入一个引用），如果该类已注册，则该引用只是一个整数标识符，否则为完整的类名。 Spark 代表您注册 Scala 类和许多其他框架类（例如 Avro Generic 或 Thrift 类）。

使用 Kryo 注册课程非常简单。创建 KryoRegistrator 的子类，并重写registerClasses() method:

public class MyKryoRegistrator implements KryoRegistrator, Serializable {
    @Override
    public void registerClasses(Kryo kryo) {
        // Product POJO associated to a product Row from the DataFrame            
        kryo.register(Product.class); 
    }
}

最后，在您的驱动程序中，将spark.kryo.registrator属性设置为KryoRegistrator实现的完全限定类名：

conf.set("spark.kryo.registrator", "MyKryoRegistrator")

其次，即使设置了 Kryo 序列化器并注册了类，并对 Spark 1.5 进行了更改，但由于某种原因 Elasticsearch 无法反序列化Dataframe 因为它无法推断SchemaType将数据框插入连接器。

所以我必须将 Dataframe 转换为 JavaRDD

JavaRDD<Product> products = df.javaRDD().map(new Function<Row, Product>() {
    public Product call(Row row) throws Exception {
        long id = row.getLong(0);
        String title = row.getString(1);
        String description = row.getString(2);
        int merchantId = row.getInt(3);
        double price = row.getDecimal(4).doubleValue();
        String keywords = row.getString(5);
        long brandId = row.getLong(6);
        int categoryId = row.getInt(7);
        return new Product(id, title, description, merchantId, price, keywords, brandId, categoryId);
    }
});

现在数据已准备好写入 elasticsearch ：

JavaEsSpark.saveToEs(products, "test/test");

参考：

• Elasticsearch 的 Apache Spark 支持文档 https://www.elastic.co/guide/en/elasticsearch/hadoop/current/spark.html.
• Hadoop 权威指南，第 19 章。Spark，编辑。 4——汤姆·怀特。
• User samklr https://twitter.com/samklr.