MapReduce编程 从HDFS导入数据到Elasticsearch
Posted esc_ai
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了MapReduce编程 从HDFS导入数据到Elasticsearch相关的知识,希望对你有一定的参考价值。
一、Elasticsearch for Hadoop安装
Elasticsearch for Hadoop并不像logstash、kibana一样是一个独立的软件,而是Hadoop和Elasticsearch交互所需要的jar包。所以,有直接下载和maven导入2种方式。安装之前确保JDK版本不要低于1.8,Elasticsearch版本不能低于1.0。
官网对声明是对Hadoop 1.1.x、1.2.x、2.2.x、2.4.x、2.6.x、2.7.x测试通过,支持较好,其它版本的也并不是不能用。
1.1 官网下载zip安装包
官网给的Elasticsearch for Hadoop的地址https://www.elastic.co/downloads/hadoop,下载后解压后,把dist目录下jar包导入hadoop即可。
1.2 maven方式下载
使用maven管理jar包更加方便,在pom.xml文件中加入以下依赖:
<dependency>
<groupId>org.elasticsearch</groupId>
<artifactId>elasticsearch-hadoop</artifactId>
<version>2.3.3</version>
</dependency>
我之前使用Intellij Idea搭建了一个MapReduce的环境,参考这里MapReduce编程(一) Intellij Idea配置MapReduce编程环境,pom.xml中再加入上面elasticsearch-hadoop的依赖即可,注意版本。
上面的依赖包含了MapReduce、Pig、Hive、Spark等完整的依赖,如果只想单独使用某一个功能,可以细化分别加入。
Map/Reduce:
<dependency>
<groupId>org.elasticsearch</groupId>
<artifactId>elasticsearch-hadoop-mr</artifactId>
<version>2.3.3</version>
</dependency>
Apache Hive:
<dependency>
<groupId>org.elasticsearch</groupId>
<artifactId>elasticsearch-hadoop-hive</artifactId>
<version>2.3.3</version>
</dependency>
Apache Pig.
<dependency>
<groupId>org.elasticsearch</groupId>
<artifactId>elasticsearch-hadoop-pig</artifactId>
<version>2.3.3</version>
</dependency>
Apache Spark.
<dependency>
<groupId>org.elasticsearch</groupId>
<artifactId>elasticsearch-spark-20_2.10</artifactId>
<version>2.3.3</version>
</dependency>
1.3 将ES-hadoop 的jar包加入环境变量
把ES-HADOOP的jar包导入环境变量,编辑/etc/profile(或.bash_profile),我的路径为:
/usr/local/Cellar/elasticsearch-hadoop-2.4.3
jar包位于elasticsearch-hadoop-2.4.3的dist目录下。编辑/etc/profile,加入一行:
#ES-HADOOP HOME
export EsHadoop_HOME=/usr/local/Cellar/elasticsearch-hadoop-2.4.3
export CLASSPATH=$CLASSPATH:$EsHadoop_HOME/dist/*
最后使profile文件生效:
source /etc/profile
二、准备数据
准备一些测试数据,数据内容为json格式,每行是一条文档。把下列内容保存到blog.json中。
{"id":"1","title":"git简介","posttime":"2016-06-11","content":"svn与git的最主要区别..."}
{"id":"2","title":"ava中泛型的介绍与简单使用","posttime":"2016-06-12","content":"基本操作:CRUD ..."}
{"id":"3","title":"SQL基本操作","posttime":"2016-06-13","content":"svn与git的最主要区别..."}
{"id":"4","title":"Hibernate框架基础","posttime":"2016-06-14","content":"Hibernate框架基础..."}
{"id":"5","title":"Shell基本知识","posttime":"2016-06-15","content":"Shell是什么..."}
启动hadoop,上传blog.json到hdfs:
hadoop fs -put blog.json /work
三、从HDFS读取文档索引到ES
从HDFS读取文档索引到Elasticsearch的代码:
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.BytesWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
import org.elasticsearch.hadoop.mr.EsOutputFormat;
import java.io.IOException;
/**
* Created by bee on 4/1/17.
*/
public class HdfsToES {
public static class MyMapper extends Mapper<Object, Text, NullWritable,
BytesWritable> {
public void map(Object key, Text value, Mapper<Object, Text,
NullWritable, BytesWritable>.Context context) throws IOException, InterruptedException {
byte[] line = value.toString().trim().getBytes();
BytesWritable blog = new BytesWritable(line);
context.write(NullWritable.get(), blog);
}
}
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
Configuration conf = new Configuration();
conf.setBoolean("mapred.map.tasks.speculative.execution", false);
conf.setBoolean("mapred.reduce.tasks.speculative.execution", false);
conf.set("es.nodes", "192.168.1.111:9200");
conf.set("es.resource", "blog/csdn");
conf.set("es.mapping.id", "id");
conf.set("es.input.json", "yes");
Job job = Job.getInstance(conf, "hadoop es write test");
job.setMapperClass(HdfsToES.MyMapper.class);
job.setInputFormatClass(TextInputFormat.class);
job.setOutputFormatClass(EsOutputFormat.class);
job.setMapOutputKeyClass(NullWritable.class);
job.setMapOutputValueClass(BytesWritable.class);
// 设置输入路径
FileInputFormat.setInputPaths(job, new Path
("hdfs://localhost:9000//work/blog.json"));
job.waitForCompletion(true);
}
}
倒入完成后会在Elasticsearch中生成blog索引。查看内容如下:
四、API分析
Map过程,按行读入,input kye的类型为Object,input value的类型为Text。输出的key为NullWritable类型,NullWritable是Writable的一个特殊类,实现方法为空实现,不从数据流中读数据,也不写入数据,只充当占位符。MapReduce中如果不需要使用键或值,就可以将键或值声明为NullWritable,这里把输出的key设置NullWritable类型。输出为BytesWritable类型,把json字符串序列化。
因为只需要写入,没有Reduce过程。在main函数中,首先创Configuration()类的一个对象conf,通过conf配置一些参数。
conf.setBoolean("mapred.map.tasks.speculative.execution", false);
关闭mapper阶段的执行推测
conf.setBoolean("mapred.reduce.tasks.speculative.execution", false);
关闭reducer阶段的执行推测
conf.set("es.nodes", "192.168.1.111:9200");
配置Elasticsearch的IP和端口
conf.set("es.resource", "blog/csdn");
设置索引到Elasticsearch的索引名和类型名。
conf.set("es.mapping.id", "id");
设置文档id,这个参数”id”是文档中的id字段
conf.set("es.input.json", "yes");
指定输入的文件类型为json。
job.setInputFormatClass(TextInputFormat.class);
设置输入流为文本类型
job.setOutputFormatClass(EsOutputFormat.class);
设置输出为EsOutputFormat类型。
job.setMapOutputKeyClass(NullWritable.class);
设置Map的输出key类型为NullWritable类型
job.setMapOutputValueClass(BytesWritable.class);
设置Map的输出value类型为BytesWritable类型
2017年8月21日更新:
5.4版本的map函数:
public static class MyMapper extends Mapper<Object, Text, NullWritable,
Text> {
private Text line = new Text();
public void map(Object key, Text value, Mapper<Object, Text,
NullWritable, Text>.Context context) throws IOException, InterruptedException {
if(value.getLength()>0){
line.set(value);
context.write(NullWritable.get(), line);
}
}
}
五、参考资料
https://www.elastic.co/guide/en/elasticsearch/hadoop/current/mapreduce.html
以上是关于MapReduce编程 从HDFS导入数据到Elasticsearch的主要内容,如果未能解决你的问题,请参考以下文章