Ich habe einen Fall ähnlich wie diese:Einfügen von Arrays in Elasticsearch über PySpark
Beispiel Datenrahmen:
from pyspark.sql.types import *
schema = StructType([ # schema
StructField("id", StringType(), True),
StructField("email", ArrayType(StringType()), True)])
df = spark.createDataFrame([{"id": "id1"},
{"id": "id2", "email": None},
{"id": "id3","email": ["[email protected]"]},
{"id": "id4", "email": ["[email protected]", "[email protected]"]}],
schema=schema)
df.show(truncate=False)
+---+------------------------------------+
|id |email |
+---+------------------------------------+
|id1|null |
|id2|null |
|id3|[[email protected]] |
|id4|[[email protected], [email protected]]|
+---+------------------------------------+
Ich möchte diese Daten in Elasticsearch einzufügen, so weit, wie ich recherchiert, ich habe zur Transformation in die Indizierung Format:
def parseTest(r):
if r['email'] is None:
return r['id'],{"id":r['id']}
else:
return r['id'],{"id":r['id'],"email":r['email']}
df2 = df.rdd.map(lambda row: parseTest(row))
df2.top(4)
[('id4', {'email': ['[email protected]', '[email protected]'], 'id': 'id4'}),
('id3', {'email': ['[email protected]'], 'id': 'id3'}),
('id2', {'id': 'id2'}),
('id1', {'id': 'id1'})]
Dann füge ich versuche:
es_conf = {"es.nodes" : "node1.com,node2.com",
"es.resource": "index/type"}
df2.saveAsNewAPIHadoopFile(
path='-',
outputFormatClass="org.elasticsearch.hadoop.mr.EsOutputFormat",
keyClass="org.apache.hadoop.io.NullWritable",
valueClass="org.elasticsearch.hadoop.mr.LinkedMapWritable",
conf=es_conf)
Und ich bekomme diese:
org.apache.spark.SparkException: Daten vom Typ java.util.ArrayList nicht
Spark v 2.1.0
ES v 2.4.4
Ohne die email
Feld verwendet werden, es funktioniert gut, ich fand einige vorgeschlagene Lösung mit der es.output.json: true
und , aber es schien für die Version 5 zu sein, so versuchte ich in einem anderen Cluster ich habe mit ES v5
df3 = df2.map(json.dumps)
df3.top(4)
['["id4", {"email": ["[email protected]", "[email protected]"], "id": "id4"}]',
'["id3", {"email": ["[email protected]"], "id": "id3"}]',
'["id2", {"id": "id2"}]',
'["id1", {"id": "id1"}]']
es_conf2 = {"es.nodes" : "anothernode1.com,anothernode2.com",
"es.output.json": "true",
"es.resource": "index/type"}
df3.saveAsNewAPIHadoopFile(
path='-',
outputFormatClass="org.elasticsearch.hadoop.mr.EsOutputFormat",
keyClass="org.apache.hadoop.io.NullWritable",
valueClass="org.elasticsearch.hadoop.mr.LinkedMapWritable",
conf=es_conf2)
Dann erhalte ich:
RDD Element vom Typ java.lang.String nicht
Spark v 2.1.0
ES v 5.2.0
feelsbadman