Spark教程(二)Spark连接MongoDB

原文:
Spark教程(二)Spark连接MongoDB

如何导入数据

数据可能有各种格式,虽然常见的是HDFS,但是因为在Python爬虫中数据库用的比较多的是MongoDB,所以这里会重点说说如何用spark导入MongoDB中的数据。

当然,首先你需要在自己电脑上安装spark环境,简单说下,在这里下载spark,同时需要配置好JAVAScala环境。

这里建议使用Jupyter notebook,会比较方便,在环境变量中这样设置

PYSPARK_DRIVER_PYTHON=jupyter 
PYSPARK_DRIVER_PYTHON_OPTS=notebook ./bin/pyspark

如果你的环境中有多个Python版本,同样可以制定你想要使用的解释器,我这里是python36,根据需求修改。

PYSPARK_PYTHON=/usr/bin/python36

启动命令

进入spark根目录,./bin/pyspark这是最简单的启动命令,默认会打开Python的交互式解释器,但是由于我们上面有设置过,会打开Jupyter notebook,接下来变成会方便很多。

先来看看最简单的例子:

>>> textFile = spark.read.text("README.md")

>>> textFile.count()  # Number of rows in this DataFrame
126

>>> textFile.first()  # First row in this DataFrame
Row(value=u'# Apache Spark')

>>> linesWithSpark = textFile.filter(textFile.value.contains("Spark"))


>>> textFile.filter(textFile.value.contains("Spark")).count()  # How many lines contain "Spark"?
15

这里有我之前写过的例子,可以照着写一遍 basic_exercise

我们的启动方式是./bin/pyspark,我们可以家后面加很多参数,比如说如若我们要连接MongoDB,就需要这样

完整的可以参考Spark Connector Python Guide

./bin/pyspark --conf "spark.mongodb.input.uri=mongodb://127.0.0.1/test.myCollection?readPreference=primaryPreferred" \
              --conf "spark.mongodb.output.uri=mongodb://127.0.0.1/test.myCollection" \
              --packages org.mongodb.spark:mongo-spark-connector_2.11:2.3.0

这里有两个uri,分别是inputoutput,对应读取的数据库和写入的数据库,最后面的packages相当于引入的包的名字,我一般喜欢在代码中定义。

读取/保存数据

这里我们可以增加参数option,在这里设置想要读取的数据库地址,注意格式。

读取数据

df = spark.read.format("com.mongodb.spark.sql.DefaultSource").option("uri",
"mongodb://127.0.0.1/people.contacts").load()

保存数据

people.write.format("com.mongodb.spark.sql.DefaultSource").mode("append").option("uri",
"mongodb://127.0.0.1/people.contacts").option("database",
"people").option("collection", "contacts").save()

简单对比下,option还可以定义databasecollection,这样就不需要在启动Spark时定义。

以上是官网推荐的连接方式,这里需要说的是另一种,如果我没有从命令行中启动,而是直接新建一个py文件,该如何操作?

搜索相关资料后,发现是这样

#!/usr/bin/env python
# -*- coding: utf-8 -*-

__author__ = 'zhangslob'

import os
from pyspark.sql import SparkSession

# set PYSPARK_PYTHON to python36
os.environ['PYSPARK_PYTHON'] = '/usr/bin/python36'

# load mongo data
input_uri = "mongodb://127.0.0.1:spark.spark_test"
output_uri = "mongodb://127.0.0.1:spark.spark_test"

my_spark = SparkSession\
    .builder\
    .appName("MyApp")\
    .config("spark.mongodb.input.uri", input_uri)\
    .config("spark.mongodb.output.uri", output_uri)\
    .config('spark.jars.packages','org.mongodb.spark:mongo-spark-connector_2.11:2.2.0')\
    .getOrCreate()

df = my_spark.read.format('com.mongodb.spark.sql.DefaultSource').load()

必须要增加默认设置('spark.jars.packages','org.mongodb.spark:mongo-spark-connector_2.11:2.2.0'),否则会报错。

Spark教程(一)为什么要学spark

    原文作者:小歪
    原文地址: https://zhuanlan.zhihu.com/p/43662972
    本文转自网络文章,转载此文章仅为分享知识,如有侵权,请联系博主进行删除。
点赞