[英]Save MongoDB data to parquet file format using Apache Spark
我是Apache spark以及Scala編程語言的新手。
我想要實現的是從我的本地mongoDB數據庫中提取數據,然后使用Apache Spark和hadoop-connector將其保存為鑲木地板格式
到目前為止這是我的代碼:
package com.examples
import org.apache.spark.{SparkContext, SparkConf}
import org.apache.spark.rdd.RDD
import org.apache.hadoop.conf.Configuration
import org.bson.BSONObject
import com.mongodb.hadoop.{MongoInputFormat, BSONFileInputFormat}
import org.apache.spark.sql
import org.apache.spark.sql.SQLContext
object DataMigrator {
def main(args: Array[String])
{
val conf = new SparkConf().setAppName("Migration App").setMaster("local")
val sc = new SparkContext(conf)
val sqlContext = new SQLContext(sc)
// Import statement to implicitly convert an RDD to a DataFrame
import sqlContext.implicits._
val mongoConfig = new Configuration()
mongoConfig.set("mongo.input.uri", "mongodb://localhost:27017/mongosails4.case")
val mongoRDD = sc.newAPIHadoopRDD(mongoConfig, classOf[MongoInputFormat], classOf[Object], classOf[BSONObject]);
val count = countsRDD.count()
// the count value is aprox 100,000
println("================ PRINTING =====================")
println(s"ROW COUNT IS $count")
println("================ PRINTING =====================")
}
}
問題是,為了將數據保存為鑲木地板文件格式,首先必須將mongoRDD變量轉換為Spark DataFrame。 我嘗試過這樣的事情:
// convert RDD to DataFrame
val myDf = mongoRDD.toDF() // this lines throws an error
myDF.write.save("my/path/myData.parquet")
我得到的錯誤是: Exception in thread "main" scala.MatchError: java.lang.Object (of class scala.reflect.internal.Types.$TypeRef$$anon$6)
你們有什么其他的想法如何將RDD轉換為DataFrame,以便我可以以鑲木地板格式保存數據?
這是mongoDB集合中一個Document的結構: https ://gist.github.com/kingtrocko/83a94238304c2d654fe4
創建一個Case類,表示存儲在DBObject中的數據。
case class Data(x: Int, s: String)
然后,將rdd的值映射到案例類的實例。 val dataRDD = mongoRDD.values.map { obj => Data(obj.get("x"), obj.get("s")) }
現在使用RDD [Data],您可以使用sqlContext創建DataFrame
val myDF = sqlContext.createDataFrame(dataRDD)
這應該讓你去。 如果需要,我可以稍后解釋。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.