Question

我是Apache spark以及Scala编程语言的新手。

我想要实现的是从我的本地mongoDB数据库中提取数据然后使用带有hadoop-connector的Apache Spark将其保存在parquet format

这是我的代码到目前为止：

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 =====================") 
    } 
}

问题在于，为了将数据保存为镶木地板文件格式，首先必须将mongoRDD变量转换为Spark DataFrame。我尝试过这样的事情：

// convert RDD to DataFrame
val myDf = mongoRDD.toDF()  // this lines throws an error
myDF.write.save("my/path/myData.parquet")

我得到的错误是这样的： Exception in thread "main" scala.MatchError: java.lang.Object (of class scala.reflect.internal.Types.$TypeRef$$anon$6)

你们有什么想法我怎样才能将RDD转换为数据框架，这样我才能以镶木地板格式保存数据？

这里是mongoDB集合中一个Document的结构：https://gist.github.com/kingtrocko/83a94238304c2d654fe4

Answer 1

创建一个Case类，表示存储在DBObject中的数据 case class Data(x: Int, s: String)

然后，将rdd的值映射到案例类的实例。 val dataRDD = mongoRDD.values.map { obj => Data(obj.get("x"), obj.get("s")) }

现在使用RDD [Data]，您可以使用sqlContext

创建一个DataFrame

val myDF = sqlContext.createDataFrame(dataRDD)

这应该让你去。如果需要，我可以稍后解释。

使用Apache Spark将MongoDB数据保存为镶木地板文件格式

1 个答案: