在spark中使用mongodb

问题导读：

1.Mongodb在Spark生态的角色?

2.为什么要用MongoDB替换HDFS？

3.怎样开发MongoDB Spark应用程序？

适宜读者人群

正在使用Mongodb的开发者

传统Spark生态系统和 MongoDB在Spark生态的角色

传统Spark生态系统

那么Mongodb作为一个database, 可以担任什么样的角色呢? 就是数据存储这部分, 也就是图中的黑色圈圈HDFS的部分, 如下图

用MongoDB替换HDFS后的Spark生态系统

为什么要用MongoDB替换HDFS

存储方式上, HDFS以文件为单位,每个文件64MB~128MB不等, 而MongoDB作为文档数据库则表现得更加细颗粒化
MongoDB支持HDFS所没有的索引的概念, 所以在读取上更加快
MongoDB支持的增删改功能比HDFS更加易于修改写入后的数据
HDFS的响应级别为分钟, 而MongoDB通常是毫秒级别
如果现有数据库已经是MongoDB的话, 那就不用再转存一份到HDFS上了
可以利用MongoDB强大的Aggregate做数据的筛选或预处理

MongoDB Spark Connector介绍

支持读取和写入,即可以将计算后的结果写入MongoDB
将查询拆分为n个子任务, 如Connector会将一次match,拆分为多个子任务交给spark来处理, 减少数据的全量读取

MongoDB Spark 示例代码

计算用类型Type=1的message字符数并按userid进行分组

开发Maven dependency配置

这里用的是mongo-spark-connector_2.11 的2.0.0版本和spark的spark-core_2.11的2.0.2版本

[mw_shl_code=xml,true] <dependency>
      <groupId>org.mongodb.spark</groupId>
      <artifactId>mongo-spark-connector_2.11</artifactId>
      <version>2.0.0</version>
</dependency>

<dependency>
      <groupId>org.apache.spark</groupId>
      <artifactId>spark-core_2.11</artifactId>
      <version>2.0.2</version>
</dependency>[/mw_shl_code]

示例代码

[mw_shl_code=scala,true] import com.mongodb.spark._
import org.apache.spark.{SparkConf, SparkContext}
import org.bson._

val conf = new SparkConf()
   .setMaster("local")
   .setAppName("Mingdao-Score")
   //同时还支持mongo驱动的readPreference配置, 可以只从secondary读取数据
   .set("spark.mongodb.input.uri", "mongodb://xxx.xxx.xxx.xxx:27017,xxx.xxx.xxx:27017,xxx.xxx.xxx:27017/inputDB.collectionName")
   .set("spark.mongodb.output.uri", "mongodb://xxx.xxx.xxx.xxx:27017,xxx.xxx.xxx:27017,xxx.xxx.xxx:27017/outputDB.collectionName")

val sc = new SparkContext(conf)
// 创建rdd
val originRDD = MongoSpark.load(sc)

// 构造查询
val dateQuery = new BsonDocument()
   .append("$gte", new BsonDateTime(start.getTime))
   .append("$lt", new BsonDateTime(end.getTime))
val matchQuery = new Document("$match", BsonDocument.parse("{\"type\":\"1\"}"))

// 构造Projection
val projection1 = new BsonDocument("$project", BsonDocument.parse("{\"userid\":\"$userid\",\"message\":\"$message\"}")

val aggregatedRDD = originRDD.withPipeline(Seq(matchQuery, projection1))

//比如计算用户的消息字符数
val rdd1 = aggregatedRDD.keyBy(x=>{
   Map(
      "userid" -> x.get("userid")
   )
})

val rdd2 = rdd1.groupByKey.map(t=>{
   (t._1, t._2.map(x => {
      x.getString("message").length
   }).sum)
})

rdd2.collect().foreach(x=>{
      println(x)
})

//保持统计结果至MongoDB outputurl 所指定的数据库
MongoSpark.save(rdd2)[/mw_shl_code]

总结