`
flowaters
  • 浏览: 41175 次
  • 性别: Icon_minigender_1
  • 来自: 北京
社区版块
存档分类
最新评论

elasticsearch使用spark sql来实现join

 
阅读更多

elastic search是一个分布式的搜索引擎,支持对数亿的数据进行秒级的查询操作。其底层使用了lucene来进行存储,对lucene进行了分布式的封装,同时在数据进入时进行了translog以实现fail over。

 

在将elastic search时当做数据库使用时,必然会遇到join操作。

 

这里提供spark sql来实现join的一种思路。

 

spark是一个通用的分布式处理框架,包括但不限于数据的读、写、流式计算等操作。使用spark,可以将自己的业务逻辑,由spark框架分布在多台机器上来执行。

 

elastic search在2.1+的版本上,对spark提供了支持。

 

下面提供一些读写的例子,绝大部分内容取自于参考资料中的官方文档。

 

需要注意的是,spark是使用scala语言来开发的,而elasticsearch是使用java语言来开发的。本文中的例子是使用java语言来调用spark的库,官方有更简捷的使用spark语言的例子。

 

1. 使用spark来读写elasticsearch

import java.util.Map;
import java.util.Map.Entry;

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.Function;
import org.elasticsearch.spark.rdd.api.java.JavaEsSpark;

import com.google.common.collect.ImmutableList;
import com.google.common.collect.ImmutableMap;

public class WriteToEs {

	public static void main(String[] args) {
		SparkConf conf = new SparkConf().setAppName("Test").setMaster("local");
		conf.set("es.index.auto.create", "true");

		JavaSparkContext jsc = new JavaSparkContext(conf);

		// 写入es
		{
			Map<String, ?> numbers = ImmutableMap.of("one", 1, "two", 2);
			Map<String, ?> airports = ImmutableMap.of("OTP", "Otopeni", "SFO",
					"San Fran");

			JavaRDD<Map<String, ?>> javaRDD = jsc.parallelize(ImmutableList.of(
					numbers, airports));
			JavaEsSpark.saveToEs(javaRDD, "spark/docs");
		}

		// 从es中读取
		{
			JavaPairRDD<String, Map<String, Object>> esRDD = JavaEsSpark.esRDD(
					jsc, "spark/docs");

			for (Entry<String, Map<String, Object>> entry : esRDD
					.collectAsMap().entrySet()) {
				System.out.println(entry.getKey());
				System.out.println(entry.getValue());
			}
		}

		// 从es中读取
		{
			JavaRDD<Map<String, Object>> esRDD = JavaEsSpark.esRDD(jsc,
					"spark/docs", "?q=one:1").values();
			// JavaRDD<Map<String, Object>> esRDD = JavaEsSpark.esRDD(jsc,
			// "spark/docs").values();

			Function<Map<String, Object>, Boolean> filter = new Function<Map<String, Object>, Boolean>() {
				public Boolean call(Map<String, Object> map) throws Exception {
					return map.containsKey("one");
				}
			};
			JavaRDD<Map<String, Object>> filtered = esRDD.filter(filter);
			for (Map<String, Object> map : filtered.collect()) {
				System.out.println(map);
			}
		}

		jsc.close();
	}
}

 

2. 使用spark sql来读写elasticsearch

 

此例子为了演示join而写,没有实际的意义。

 

import java.io.Serializable;
import java.util.ArrayList;
import java.util.List;

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.sql.DataFrame;
import org.apache.spark.sql.Row;
import org.apache.spark.sql.SQLContext;
import org.elasticsearch.spark.sql.api.java.JavaEsSparkSQL;

public class SparkSql implements Serializable {

	private static final long serialVersionUID = -8843264837345502547L;

	public static class People {
		private int id;
		private String name;
		private String surname;
		private int age;

		public People(int id, String name, String surname, int age) {
			this.id = id;
			this.name = name;
			this.surname = surname;
			this.age = age;
		}

		public People() {
		}

		public int getId() {
			return id;
		}

		public void setId(int id) {
			this.id = id;
		}

		public String getName() {
			return name;
		}

		public void setName(String name) {
			this.name = name;
		}

		public String getSurname() {
			return surname;
		}

		public void setSurname(String surname) {
			this.surname = surname;
		}

		public int getAge() {
			return age;
		}

		public void setAge(int age) {
			this.age = age;
		}

	}

	public static void main(String[] args) {
		SparkConf conf = new SparkConf().setAppName("Test").setMaster("local");
		conf.set("es.index.auto.create", "true");

		JavaSparkContext jsc = new JavaSparkContext(conf);

		// 写入
		{
			SQLContext sc = new SQLContext(jsc);

			List<People> data = new ArrayList<People>();
			data.add(new People(1, "Micheal", "Mike", 18));
			data.add(new People(2, "Flowaters", "fw", 18));

			DataFrame people = sc.createDataFrame(data, People.class);

			JavaEsSparkSQL.saveToEs(people, "spark/person");
		}

		// 读取
		{
			SQLContext sql = new SQLContext(jsc);

			// 注册表people
			DataFrame people = sql.read().format("es").load("spark/people");
			people.registerTempTable("people");

			// 注册表person
			DataFrame person = sql.read().format("es").load("spark/person");
			person.registerTempTable("person");

			// 查看表的schema
			// df.printSchema();

			// 执行sql
			DataFrame df = sql
					.sql("SELECT ps.id, p.name FROM people as p INNER JOIN person as ps ON p.name = ps.name");

			// 输出执行的结果
			for (Row row : df.collectAsList()) {
				System.out.println(row.toString());
			}
		}

		jsc.close();
	}
}

 

 

参考资料:

1. elasticsearch官方网站:https://www.elastic.co/

2. elasticsearch官方对spark的支持:https://www.elastic.co/guide/en/elasticsearch/hadoop/current/spark.html

分享到:
评论

相关推荐

    elasticsearch与hadoop比较

    在数据处理能力方面,Elasticsearch的聚合统计和全文搜索功能虽然强大,但其并不支持SQL中的join或子查询等复杂数据处理操作。Elasticsearch也不支持中间数据输出或数据集转换,因此在处理需要复杂计算逻辑的任务时...

    最全的Spark基础知识解答.pdf

    Spark是一种开源的大数据处理框架,由Scala语言实现,它的核心特性是支持内存计算,从而显著提高了数据处理的速度。与Hadoop相比,Spark不仅具备Hadoop的分布式计算能力,还优化了迭代计算,允许数据在内存中快速...

    万亿数据库核心存储引擎的技术实现.pdf

    在全文检索方面,文档提到了使用Elasticsearch(ES)实现秒级响应。ES是一种分布式、实时的搜索和分析引擎,特别适合处理大量文本数据的检索。通过列簇和异构存储,可以实现数据的冷热分离,提高查询速度。 对于...

    wh swifts使用手册_201903131

    Swifts 是一个动态流式处理框架,其主要目标是让业务人员通过编写 SQL 语句来实现对数据的实时处理。Swifts 设计的核心在于简化数据处理流程,它能够从 Kafka 中提取数据,并根据预定义的 SQL 规则对数据进行变换。...

    wh swifts使用手册_201903191

    Swifts 是一个动态流式处理框架,其主要目标是让业务人员通过编写 SQL 语句来实现对数据的实时处理。Swifts 设计的核心在于简化实时数据处理的复杂性,使得非技术人员也能参与到数据处理流程中。以下是关于 Swifts ...

    cours base de données avancée

    3. **SQL查询语言**: 掌握高级SQL语法,包括子查询、联接(JOIN)、分组(GROUP BY)、聚合函数(SUM, AVG, COUNT, MAX, MIN)以及窗口函数的使用。 4. **索引与查询优化**: 学习如何创建和管理索引,理解其对查询...

    1、Druid(Imply-3.0.4)介绍及部署(centos6.10)、验证

    1. 与Elasticsearch相比,Druid更专注于OLAP,对导入和聚合进行了优化,但不支持全文检索。 2. 相较于Key/Value Stores(如HBase、Cassandra、OpenTSDB),Druid的列式存储和索引提供了更快的扫描速度。 3. 相比...

    MaxCompute对开源系统的支持与融合.pdf

    MaxCompute2.0的开源计算引擎支持包括但不限于Presto、Kylin、Drill、Spark、ElasticSearch和Flink等。这些开源计算引擎与MaxCompute2.0保持了自研优势的同时,还能够拥抱开源生态,实现数据存储、资源调度和安全...

    druid的使用

    在与其他技术的竞品分析中,Druid与ES(ElasticSearch)、KVStore(如Hbase、Cassandra、OpenTSDB)以及SQL on Hadoop(如Impala/Drill/Spark/Presto)等数据处理技术相比,有其独特的优缺点。例如,与ES相比,Druid...

    实现大数据即席查询秒级响应.pdf

    搜索引擎如Elasticsearch能够实现快速搜索和简单的聚合操作,但主要针对搜索而非在线分析处理(OLAP),处理复杂计算(如TopN、Join、多级聚合)时可能会遇到挑战,而且缺乏SQL支持。而SQL on Hadoop方案(如Impala...

    3-9+impala打造交互查询系统.pdf

    此外,ElasticSearch、Solr、ClickHouse和Druid则更多地被用于全文搜索和实时分析。 PART 02:Impala与竞品比较 1. Hadoop/Hive:Hadoop是分布式存储和计算的基础框架,Hive则基于Hadoop提供数据仓库服务,但其...

    外卖风控实时数仓实践.pptx

    数据加工过程中,Flink和Storm用于实时计算,而Hive和Spark SQL用于批处理。 - **Lambda与Kappa架构**:Lambda架构同时处理流和批,资源消耗大,适合批处理效率高的情况;Kappa架构仅在需要时启动批处理,资源利用...

    4、乐信(25问)1

    6. **监控与日志**:Prometheus、Grafana用于系统性能监控,ELK Stack(Elasticsearch、Logstash、Kibana)处理日志分析。 7. **安全性**:HTTPS、WAF(Web Application Firewall)、CSRF防护等确保网络安全。 ...

    8-6+Doris数智一体解决方案.pdf

    例如,Doris可以与Spark进行联邦数据分析,同时支持业界最快的SQL on Elasticsearch,使得用户可以在不离开Doris环境的情况下对ES数据进行高效查询,进一步提升了数据分析的效率和深度。 【应用实践Practice】: ...

    Learning Apache Flink

    1. **Flink Connectors**:连接各种数据源和接收器,如 Kafka、HDFS 和 Elasticsearch。 2. **Flink SQL Gateway**:提供一个 Web UI,允许用户通过 SQL 直接与 Flink 集群交互。 3. **Flink 与 Spark 比较**:...

    梁李印-滴滴实时计算平台架构与实践-脱敏.pdf

    2. **实时同步**:实现日志到ES/HDFS、轨迹到HBase/GeoMesa以及binlog到Druid的实时同步,为数据分析提供基础数据支持。 3. **实时特征计算**:计算司机乘客特征、导航轨迹特征、上下车特征等,这些特征有助于改善...

    flink-1.9.1-bin-scala_2.12.tgz

    6. **plugins** 目录:Flink允许通过插件来扩展其功能,例如,这个目录可能包含SQL查询引擎Cassandra、Elasticsearch连接器等。 7. **examples** 目录:包含了一些示例程序,这些程序展示了Flink API的基本用法,...

    Meetup-Druid和Kylin

    - 使用Kafka作为消息中间件,结合Elasticsearch和Spark Streaming进行监控数据的收集、处理和展示。 - 实现了基于业务线粒度的资源隔离,确保不同业务间的稳定性和工作负载差异。 #### Kylin在美团点评的实践 美团...

    Integrating+BitMap+Structure+deeply+inside+ClickHouse.pdf

    BitMap的压缩算法,如Roaring bitmap,进一步提高了空间效率和运算速度,使得Roaring在许多开源项目,如Apache Lucene、Solr、Elasticsearch、Druid、Spark、Hive和Kylin等中被广泛采用。 Bitmap的优势在于其高效的...

Global site tag (gtag.js) - Google Analytics