MongoDB 遇见 spark（进行整合）

Posted 2023-01-09 cui_yonghua

基础篇（能解决工作中80%的问题）:

1. MongoDB的概述、应用场景、下载方式、连接方式和发展历史等

2. MongoDB数据类型、重要概念以及shell常用指令

3. MongoDB文档的各种增加、更新、删除操作总结

4. MongoDB各种查询操作总结

5. MongoDB对列的各种操作总结

6. MongoDB中的索引操作总结

进阶篇:

7. MongoDB聚合操作总结

8. MongoDB的导入导出、备份恢复总结

9. MongoDB的用户管理总结

10. MongoDB复制（副本集）总结

11. MongoDB 分片总结

12. MongoDB 遇见 spark（进行整合）

13. MongoDB内部的存储原理

其它:

14. python3操作MongoDB的各种案例

15. MongoDB命令汇总

一. 与HDFS相比，MongoDB的优势

1、在存储方式上，HDFS以文件为单位，每个文件大小为 64M~128M, 而mongo则表现的更加细颗粒化；
2、MongoDB支持HDFS没有的索引概念，所以在读取速度上更快；
3、MongoDB更加容易进行修改数据；
4、HDFS响应级别为分钟，而MongoDB响应类别为毫秒；
5、可以利用MongoDB强大的 Aggregate功能进行数据筛选或预处理；
6、如果使用MongoDB，就不用像传统模式那样，到Redis内存数据库计算后，再将其另存到HDFS上。

二. 大数据的分层架构

MongoDB可以替换HDFS, 作为大数据平台中最核心的部分，可以分层如下：
第1层：MongoDB或者HDFS;
第2层：资源管理 如 YARN、Mesos、K8S;
第3层：计算引擎 如 MapReduce、Spark;
第4层：程序接口 如 Pig、Hive、Spark SQL、Spark Streaming、Data Frame等

参考：

1. github：https://github.com/mongodb/mongo-spark

2. mongo-python-driver: https://github.com/mongodb/mongo-python-driver/

3. 官方文档：https://www.mongodb.com/docs/spark-connector/current/

三. 源码介绍

mongo-spark/examples/src/test/python/introduction.py

# -*- coding: UTF-8 -*-
#
# Copyright 2016 MongoDB, Inc.
#
# Licensed to the Apache Software Foundation (ASF) under one or more
# contributor license agreements.  See the NOTICE file distributed with
# this work for additional information regarding copyright ownership.
# The ASF licenses this file to You under the Apache License, Version 2.0
# (the "License"); you may not use this file except in compliance with
# the License.  You may obtain a copy of the License at
#
#    http://www.apache.org/licenses/LICENSE-2.0
#
# Unless required by applicable law or agreed to in writing, software
# distributed under the License is distributed on an "AS IS" BASIS,
# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
# See the License for the specific language governing permissions and
# limitations under the License.
# To run this example use:
# ./bin/spark-submit --master "local[4]"  \\
#                    --conf "spark.mongodb.input.uri=mongodb://127.0.0.1/test.coll?readPreference=primaryPreferred" \\
#                    --conf "spark.mongodb.output.uri=mongodb://127.0.0.1/test.coll" \\
#                    --packages org.mongodb.spark:mongo-spark-connector_2.11:2.0.0 \\
#                    introduction.py
from pyspark.sql import SparkSession
if __name__ == "__main__":
    spark = SparkSession.builder.appName("Python Spark SQL basic example").getOrCreate()
    logger = spark._jvm.org.apache.log4j
    logger.LogManager.getRootLogger().setLevel(logger.Level.FATAL)
    # Save some data
    characters = spark.createDataFrame([("Bilbo Baggins",  50), ("Gandalf", 1000), ("Thorin", 195), ("Balin", 178), ("Kili", 77), ("Dwalin", 169), ("Oin", 167), ("Gloin", 158), ("Fili", 82), ("Bombur", None)], ["name", "age"])
    characters.write.format("com.mongodb.spark.sql").mode("overwrite").save()
    # print the schema
    print("Schema:")
    characters.printSchema()
    # read from MongoDB collection
    df = spark.read.format("com.mongodb.spark.sql").load()
    # SQL
    df.registerTempTable("temp")
    centenarians = spark.sql("SELECT name, age FROM temp WHERE age >= 100")
    print("Centenarians:")
    centenarians.show()