本文将详细介绍利用 ES-Hadoop 将 Spark 处理的数据写入到 ES 中。

一、开发环境

1、组件版本

• CDH 集群版本：6.0.1
  
• Spark 版本：2.2.0
  
• Kafka 版本：1.0.1
  
• ES 版本：6.5.1
  
  

  2、Maven 依赖
  

  ```xml
  

  
  
  org.scala-lang
  scala-library
  2.11.8
  
  
  
  
  org.apache.spark
  spark-core_2.11
  2.2.0
  
  
  
  
  org.apache.spark
  spark-streaming_2.11
  2.2.0
  
  
  
  
  org.apache.spark
  spark-streaming-kafka-0-10_2.11
  2.2.0
  
  
  
  
  org.apache.zookeeper
  zookeeper
  3.4.5-cdh6.0.1
  
  
  
  
  org.elasticsearch
  elasticsearch-spark-20_2.11
  6.5.4
  
  
  
  
  commons-httpclient
  commons-httpclient
  3.1
  
  ```
  
  ### 3、注意事项
  如果使用 CDH 版本的 Spark，则在调试及实际部署运行的时候会出现下面的错误：
  ```
  java.lang.ClassNotFoundException: org.apache.commons.httpclient.protocol.Protocol
  ```
  
  很显然是缺少 httpclient 相关依赖造成的，对比开源版本与 CDH 版本的 Spark，发现开源版本多出了 `commons-httpclient-3.1.jar`，因此上述 Maven 的 pom 文件添加上对其依赖即可。
  
  ## 二、ES-Hadoop
  ### 1、简介
  ES-Hadoop 实现了 Hadoop 生态（Hive、Spark、Pig、Storm 等）与 ElasticSearch 之间的数据交互，借助该组件可以将 Hadoop 生态的数据写入到 ES 中，然后借助 ES 对数据快速进行搜索、过滤、聚合等分析，进一步可以通过 Kibana 来实现数据的可视化。
  
  同时，也可以借助 ES 作为数据存储层（类似数仓的 Stage 层或者 ODS 层），然后借助 Hadoop 生态的数据处理工具（Hive、MR、Spark 等）将处理后的数据写入到 HDFS 中。
  
  > 使用 ES 做为原始数据的存储层，可以很好的进行数据去重、数据质量分析，还可以提供一些即时的数据服务，例如趋势展示、汇总分析等。
  
  
  
  ### 2、组成
  ES-Hadoop 是一个整合性质的组件，它封装了 Hadoop 生态的多种组件与 ES 交互的 API，如果你只需要部分功能，可以使用细分的组件：
  
• elasticsearch-hadoop-mr
  
• elasticsearch-hadoop-hive
  
• elasticsearch-hadoop-pig
  
• elasticsearch-spark-20_2.10
  
• elasticsearch-hadoop-cascading
  
• elasticsearch-storm
  
  

  三、elasticsearch-spark
  

  1、配置
  

  es-hadoop 核心是通过 es 提供的 restful 接口来进行数据交互，下面是几个重要配置项，更多配置信息请参阅[官方说明](https://www.elastic.co/guide/e ... n.html)：
  

• es.nodes：需要连接的 es 节点（不需要配置全部节点，默认会自动发现其他可用节点）；
  
• es.port：节点 http 通讯端口；
  
• es.nodes.discovery：默认为 true，表示自动发现集群可用节点；
  
• es.nodes.wan.only：默认为 false，设置为 true 之后，会关闭节点的自动 discovery，只使用 es.nodes 声明的节点进行数据读写操作；如果你需要通过域名进行数据访问，则设置该选项为 true，否则请务必设置为 false；
  
• es.index.auto.create：是否自动创建不存在的索引，默认为 true；
  
• es.net.http.auth.user：Basic 认证的用户名；
  
• es.net.http.auth.pass：Basic 认证的密码。
  
  scala<br /> val conf = new SparkConf().setIfMissing("spark.app.name","rt-data-loader").setIfMissing("spark.master", "local[5]")<br /> conf.set(ConfigurationOptions.ES_NODES, esNodes)<br /> conf.set(ConfigurationOptions.ES_PORT, esPort)<br /> conf.set(ConfigurationOptions.ES_NODES_WAN_ONLY, "true")<br /> conf.set(ConfigurationOptions.ES_INDEX_AUTO_CREATE, "true")<br /> conf.set(ConfigurationOptions.ES_NODES_DISCOVERY, "false")<br /> conf.set(ConfigurationOptions.ES_NET_HTTP_AUTH_USER, esUser)<br /> conf.set(ConfigurationOptions.ES_NET_HTTP_AUTH_PASS, esPwd)<br /> conf.set("es.write.rest.error.handlers", "ignoreConflict")<br /> conf.set("es.write.rest.error.handler.ignoreConflict", "com.jointsky.bigdata.handler.IgnoreConflictsHandler")<br />
  
  特别需要注意的配置项为 es.nodes.wan.only，由于在云服务器环境中，配置文件使用的一般为内网地址，而本地调试的时候一般使用外网地址，这样将 es.nodes 配置为外网地址后，最后会出现节点找不到的问题（由于会使用节点配置的内网地址去进行连接）：
  <br /> org.elasticsearch.hadoop.EsHadoopIllegalArgumentException: No data nodes with HTTP-enabled available; <br /> node discovery is disabled and none of nodes specified fit the criterion [xxx.xx.x.xx:9200]<br />
  
  此时将 es.nodes.wan.only 设置为 true 即可。推荐开发测试时使用域名，集群部署的时候将该选项置为 false。
  
  

  2、屏蔽写入冲突
  

  如果数据存在重复，写入 ES 时往往会出现数据写入冲突的错误，此时有两种解决方法。
  
  方法一：设置 es.write.operation 为 upsert，这样达到的效果为如果存在则更新，不存在则进行插入，该配置项默认值为 index。
  
  方法二：自定义冲突处理类，类似上述配置中设置了自定义的 error.handlers，通过自定义类来处理相关错误，例如忽略冲突等：
  java<br /> public class IgnoreConflictsHandler extends BulkWriteErrorHandler {<br /> public HandlerResult onError(BulkWriteFailure entry, DelayableErrorCollector<byte[]> collector) throws Exception {<br /> if (entry.getResponseCode() == 409) {<br /> StaticLog.warn("Encountered conflict response. Ignoring old data.");<br /> return HandlerResult.HANDLED;<br /> }<br /> return collector.pass("Not a conflict response code.");<br /> }<br /> }<br />
  
  

  方法二可以屏蔽写入版本比预期的小之类的版本冲突问题。
  
  

  3、RDD 写入 ES
  

  EsSpark 提供了两种主要方法来实现数据写入：
  

• saveToEs ：RDD 内容为 Seq[Map]，即一个 Map 对象集合，每个 Map 对应一个文档；
  
• saveJsonToEs：RDD 内容为 Seq[String]，即一个 String 集合，每个 String 是一个 JSON 字符串，代表一条记录（对应 ES 的 _source）。
  
  数据写入可以指定很多配置信息，例如：
  
• es.resource：设置写入的索引和类型，索引和类型名均支持动态变量；
  
• es.mapping.id：设置文档 _id 对应的字段名；
  
• es.mapping.exclude：设置写入时忽略的字段，支持通配符。
  
  scala<br /> val itemRdd = rdd.flatMap(line => {<br /> val topic = line.topic()<br /> println("正在处理：" + topic + " - " + line.partition() + " : " + line.offset())<br /> val jsonArray = JSON.parseArray(line.value()).toJavaList(classOf[JSONObject]).asScala<br /> val resultMap = jsonArray.map(jsonObj =>{<br /> var tmpId = "xxx"<br /> var tmpIndex = "xxxxxx"<br /> jsonObj.put("myTmpId", tmpId)<br /> jsonObj.put("myTmpIndex", tmpIndex)<br /> jsonObj.getInnerMap<br /> })<br /> resultMap<br /> })<br /> val mapConf = Map(<br /> ("es.resource" , "{myTmpIndex}/doc"),<br /> ("es.write.operation" , "upsert"),<br /> ("es.mapping.id" , "myTmpId"),<br /> ("es.mapping.exclude" , "myTmp*")<br /> )<br /> EsSpark.saveToEs(itemRdd, mapConf)<br />
  

  es.mapping.exclude 只支持 RDD 为 Map 集合（saveToEs），当为 Json 字符串集合时（saveJsonToEs）会提示不支持的错误信息；这个配置项非常有用，例如 myTmpId 作为文档 id，因此没有必要重复存储到 _source 里面了，可以配置到这个配置项，将其从 _source 中排除。
  
  ---
  Any Code，Code Any！
  
  扫码关注『AnyCode』，编程路上，一起前行。