在Elasticsearch Spark中将EPOCH转换为日期

Question

我有一个将其写入ES的DataFrame

在写入ES之前，我将EVTExit列转换为EPOCH中的Date。

workset = workset.withColumn("EVTExit", to_date(from_unixtime($"EVTExit".divide(1000))))

workset.select("EVTExit").show(10)

+----------+
| EVTExit|
+----------+
|2014-06-03|
|null      |
|2012-10-23|
|2014-06-03|
|2015-11-05|

如我所见，此EVTExit转换为Date。

workset.write.format("org.elasticsearch.spark.sql").save("workset/workset1")

但是在将其写入ES之后，我仍然可以使用EPOC格式。

"EVTExit" : 1401778800000

任何人都可以知道这里出了什么问题。

谢谢

Answer 1

让我们考虑一下您的问题中的DataFrame示例：

scala> val df = workset.select("EVTExit")
// df: org.apache.spark.sql.DataFrame = [EVTExit: date]

scala> df.printSchema
// root
//  |-- EVTExit: date (nullable = true)

您将需要将该列转换为字符串并禁用es.mapping.date.rich ，默认情况下为true 。

该参数定义是为Elasticsearch中的Date字段创建类似于日期的富对象还是将其作为原语（字符串或long）返回。 实际的对象类型基于所使用的库。 值得注意的异常是Map / Reduce，它不提供内置的Date对象，因此无论此设置如何，都会返回LongWritable和Text。

我同意，这是违反直觉的，但是如果您希望elasticsearch不会将其转换为long格式，则这是目前唯一的解决方案。 这实际上是很痛苦的。

scala> val df2 = df.withColumn("EVTExit_1", $"EVTExit".cast("string"))
// df2: org.apache.spark.sql.DataFrame = [EVTExit: date, EVTExit_1: string]

scala> df2.show
// +----------+----------+
// |   EVTExit| EVTExit_1|
// +----------+----------+
// |2014-06-03|2014-06-03|
// |      null|      null|
// |2012-10-23|2012-10-23|
// |2014-06-03|2014-06-03|
// |2015-11-05|2015-11-05|
// +----------+----------+

现在您可以将数据写入elasticsearch ：

scala> df2.write.format("org.elasticsearch.spark.sql").option("es.mapping.date.rich", "false").save("workset/workset1")

现在，让我们检查一下ES上的内容。 首先让我们看一下映射：

$ curl -XGET localhost:9200/workset?pretty=true
{
  "workset" : {
    "aliases" : { },
    "mappings" : {
      "workset1" : {
        "properties" : {
          "EVTExit" : {
            "type" : "long"
          },
          "EVTExit_1" : {
            "type" : "date",
            "format" : "strict_date_optional_time||epoch_millis"
          }
        }
      }
    },
    "settings" : {
      "index" : {
        "creation_date" : "1475063310916",
        "number_of_shards" : "5",
        "number_of_replicas" : "1",
        "uuid" : "i3Rb014sSziCmYm9LyIc5A",
        "version" : {
          "created" : "2040099"
        }
      }
    },
    "warmers" : { }
  }
}

好像我们有约会。 现在让我们检查一下内容：

$ curl -XGET localhost:9200/workset/_search?pretty=true -d '{ "size" : 1 }'
{
  "took" : 2,
  "timed_out" : false,
  "_shards" : {
    "total" : 5,
    "successful" : 5,
    "failed" : 0
  },
  "hits" : {
    "total" : 5,
    "max_score" : 1.0,
    "hits" : [ {
      "_index" : "workset",
      "_type" : "workset1",
      "_id" : "AVdwn-vFWzMbysX5OjMA",
      "_score" : 1.0,
      "_source" : {
        "EVTExit" : 1401746400000,
        "EVTExit_1" : "2014-06-03"
      }
    } ]
  }
}

注意1：我将两个字段都保留用于演示目的，但我认为您明白了。

注意2：在spark-shell内对Elasticsearch 2.4，Spark 1.6.2，scala 2.10和elasticsearch-spark 2.3.2 spark-shell

$ spark-shell --master local[*] --packages org.elasticsearch:elasticsearch-spark_2.10:2.3.2

注意3：与pyspark相同的解决方案：

from pyspark.sql.functions import col
df2 = df.withColumn("EVTExit_1",col("EVTExit").cast("string"))
df2.write.format("org.elasticsearch.spark.sql") \
   .option("es.mapping.date.rich", "false").save("workset/workset1")