无法使用spark-shell从EMR集群连接到远程MongoDB

时间:2016-07-26 16:19:07

标签: mongodb scala apache-spark amazon-emr

我正在尝试从EMR群集连接到远程Mongo数据库。使用命令spark-shell --packages com.stratio.datasource:spark-mongodb_2.10:0.11.2

执行以下代码
import com.stratio.datasource.mongodb._
import com.stratio.datasource.mongodb.config._
import com.stratio.datasource.mongodb.config.MongodbConfig._

val builder = MongodbConfigBuilder(Map(Host -> List("[IP.OF.REMOTE.HOST]:3001"), Database -> "meteor", Collection ->"my_target_collection", ("user", "user_name"), ("database", "meteor"), ("password", "my_password")))
val readConfig = builder.build()
val mongoRDD = sqlContext.fromMongoDB(readConfig)

Spark-shell响应以下错误:

16/07/26 15:44:35 INFO SparkContext: Starting job: aggregate at MongodbSchema.scala:47
16/07/26 15:44:45 WARN DAGScheduler: Creating new stage failed due to exception - job: 1
com.mongodb.MongoTimeoutException: Timed out after 10000 ms while waiting to connect. Client view of cluster state is {type=Unknown, servers=[{address=[IP.OF.REMOTE.HOST]:3001, type=Unknown, state=Connecting, exception={java.lang.IllegalArgumentException: response too long: 1347703880}}]
    at com.mongodb.BaseCluster.getDescription(BaseCluster.java:128)
    at com.mongodb.DBTCPConnector.getClusterDescription(DBTCPConnector.java:394)
    at com.mongodb.DBTCPConnector.getType(DBTCPConnector.java:571)
    at com.mongodb.DBTCPConnector.getReplicaSetStatus(DBTCPConnector.java:362)
    at com.mongodb.Mongo.getReplicaSetStatus(Mongo.java:446)
.
.
.

阅读一段时间之后,SO和其他论坛中的一些回复表明java.lang.IllegalArgumentException: response too long: 1347703880错误可能是由错误的Mongo驱动程序引起的。基于此,我开始使用更新的驱动程序执行spark-shell,如下所示:

spark-shell --packages com.stratio.datasource:spark-mongodb_2.10:0.11.2 --jars casbah-commons_2.10-3.1.1.jar,casbah-core_2.10-3.1.1.jar,casbah-query_2.10-3.1.1ja.jar,mongo-java-driver-2.13.0.jar

当然在此之前我下载了jar并将它们存储在与执行spark-shell相同的路径中。尽管如此,使用这种方法,spark-shell会回答以下隐藏的错误消息:

Exception in thread "dag-scheduler-event-loop" java.lang.NoClassDefFoundError: com/mongodb/casbah/query/dsl/CurrentDateOp
    at com.mongodb.casbah.MongoClient.apply(MongoClient.scala:218)
    at com.stratio.datasource.mongodb.partitioner.MongodbPartitioner.isShardedCollection(MongodbPartitioner.scala:78)

值得一提的是目标MongoDB是一个Meteor Mongo数据库,这就是为什么我尝试连接[IP.OF.REMOTE.HOST]:3001而不是使用端口27017

可能是什么问题?我已经遵循了许多教程,但所有这些教程似乎都将MongoDB放在同一个主机中,允许它们在凭证中声明localhost:27017。有什么我想念的吗?

感谢您的帮助!

1 个答案:

答案 0 :(得分:2)

我最终使用了MongoDB的官方Java驱动程序。这是我第一次使用Spark和Scala编程语言,所以我对使用普通Java JAR的想法并不熟悉。

解决方案

我下载了必要的JAR并将它们存储在与作业文件相同的目录中,该文件是Scala文件。所以该目录看起来像:

/job_directory
|--job.scala
|--bson-3.0.1.jar
|--mongodb-driver-3.0.1.jar
|--mongodb-driver-core-3.0.1.jar

然后,我按如下方式启动spark-shell,将JAR及其类加载到shell环境中:

spark-shell --jars "mongodb-driver-3.0.1.jar,mongodb-driver-core-3.0.1.jar,bson-3.0.1.jar"

接下来,我执行以下命令将作业的源代码加载到spark-shell中:

:load job.scala

最后我在我的工作中执行主要对象:

MainObject.main(Array())

从MainObject中的代码开始,它仅仅是tutorial状态:

val mongo = new MongoClient(IP_OF_REMOTE_MONGO , 27017)
val db = mongo.getDB(DB_NAME)

希望这将有助于未来的读者和spark-shell / Scala初学者!