Spark Core读取ES的分区问题分析

Spark Core读取ES的分区问题分析

浪院长 浪尖聊大数据

ES也是比较火热，在日志数据分析，规则分析等确实很方便，说实话用es stack 浪尖以为能够解决不少公司的数据分析需求。极客时间下周一要上线新的ES课程，有须要的暂时别购买，到时候还找浪尖返现吧。

写这篇文章的缘由是前两天星球球友去面试，面试管问了一下，Spark 分析ES的数据，生成的RDD分区数跟什么有关系呢？

稍微猜想一下就能想到跟分片数有关，可是具体是什么关系呢？

可想的具体关系多是如下两种：

1).就像KafkaRDD的分区与kafka topic分区数的关系同样，一对一。

2).ES支持游标查询，那么是否是也能够对比较大的分片进行拆分红多个RDD分区呢？

那么下面浪尖带着你们翻一下源码看看具体状况。

1.Spark Core读取ES

ES官网直接提供的有elasticsearch-hadoop 插件，对于ES 7.x，hadoop和Spark版本支持以下：

hadoop2Version  = 2.7.1
hadoop22Version = 2.2.0
spark13Version = 1.6.2
spark20Version = 2.3.0

浪尖这了采用的ES版本是7.1.1，测试用的Spark版本是2.3.1，没有问题。整合es和spark，导入相关依赖有两种方式：

a，导入整个elasticsearch-hadoop包

<dependency>
      <groupId>org.elasticsearch</groupId>
      <artifactId>elasticsearch-hadoop</artifactId>
      <version>7.1.1</version>
    </dependency>

b，只导入spark模块的包

<dependency>
      <groupId>org.elasticsearch</groupId>
      <artifactId>elasticsearch-spark-20_2.11</artifactId>
      <version>7.1.1</version>
    </dependency>

浪尖这里为了测试方便，只是在本机起了一个单节点的ES实例，简单的测试代码以下：

import org.apache.spark.{SparkConf, SparkContext}
import org.elasticsearch.hadoop.cfg.ConfigurationOptions

object es2sparkrdd {

  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setMaster("local[*]").setAppName(this.getClass.getCanonicalName)

    conf.set(ConfigurationOptions.ES_NODES, "127.0.0.1")
    conf.set(ConfigurationOptions.ES_PORT, "9200")
    conf.set(ConfigurationOptions.ES_NODES_WAN_ONLY, "true")
    conf.set(ConfigurationOptions.ES_INDEX_AUTO_CREATE, "true")
    conf.set(ConfigurationOptions.ES_NODES_DISCOVERY, "false")
//    conf.set(ConfigurationOptions.ES_NET_HTTP_AUTH_USER, esUser)
//    conf.set(ConfigurationOptions.ES_NET_HTTP_AUTH_PASS, esPwd)
    conf.set("es.write.rest.error.handlers", "ignoreConflict")
    conf.set("es.write.rest.error.handler.ignoreConflict", "com.jointsky.bigdata.handler.IgnoreConflictsHandler")

    val sc = new SparkContext(conf)
    import org.elasticsearch.spark._

    sc.esRDD("posts").foreach(each=>{
      each._2.keys.foreach(println)
    })
    sc.esJsonRDD("posts").foreach(each=>{
      println(each._2)
    })

    sc.stop()
  }
}

能够看到Spark Core读取RDD主要有两种形式的API：

a，esRDD。这种返回的是一个tuple2的类型的RDD，第一个元素是id，第二个是一个map，包含ES的document元素。

RDD[(String, Map[String, AnyRef])]

b，esJsonRDD。这种返回的也是一个tuple2类型的RDD，第一个元素依然是id，第二个是json字符串。

RDD[(String, String)]

虽然是两种类型的RDD，可是RDD都是ScalaEsRDD类型。

要分析Spark Core读取ES的并行度，只须要分析ScalaEsRDD的getPartitions函数便可。

2.源码分析

首先导入源码https://github.com/elastic/elasticsearch-hadoop这个是gradle工程，能够直接导入idea，而后切换到7.x版本便可。

废话少说直接找到ScalaEsRDD，发现gePartitions是在其父类实现的，方法内容以下：

override def getPartitions: Array[Partition] = {
    esPartitions.zipWithIndex.map { case(esPartition, idx) =>
      new EsPartition(id, idx, esPartition)
    }.toArray
  }

esPartitions是一个lazy型的变量：

@transient private[spark] lazy val esPartitions = {
    RestService.findPartitions(esCfg, logger)
  }

这种声明缘由是什么呢？

lazy+transient的缘由你们能够考虑一下。

RestService.findPartitions方法也是仅是建立客户端获取分片等信息，而后调用，分两种状况调用两个方法。

final List<PartitionDefinition> partitions;
//            5.x及之后版本 同时没有配置es.input.max.docs.per.partition
if (clusterInfo.getMajorVersion().onOrAfter(EsMajorVersion.V_5_X) && settings.getMaxDocsPerPartition() != null) {
     partitions = findSlicePartitions(client.getRestClient(), settings, mapping, nodesMap, shards, log);
} else {
     partitions = findShardPartitions(settings, mapping, nodesMap, shards, log);
}

a).findSlicePartitions

这个方法其实就是在5.x及之后的ES版本，同时配置了

es.input.max.docs.per.partition

之后，才会执行，实际上就是将ES的分片按照指定大小进行拆分，必然要先进行分片大小统计，而后计算出拆分的分区数，最后生成分区信息。具体代码以下：

long numDocs;
if (readResource.isTyped()) {
    numDocs = client.count(index, readResource.type(), Integer.toString(shardId), query);
} else {
    numDocs = client.countIndexShard(index, Integer.toString(shardId), query);
}
int numPartitions = (int) Math.max(1, numDocs / maxDocsPerPartition);
for (int i = 0; i < numPartitions; i++) {
    PartitionDefinition.Slice slice = new PartitionDefinition.Slice(i, numPartitions);
    partitions.add(new PartitionDefinition(settings, resolvedMapping, index, shardId, slice, locations));
}

实际上分片就是用游标的方式，对_doc进行排序，而后按照分片计算获得的分区偏移进行数据的读取，组装过程是SearchRequestBuilder.assemble方法来实现的。

这个其实我的以为会浪费必定的性能，假如真的要ES结合Spark的话，建议合理设置分片数。

b).findShardPartitions方法

这个方法没啥疑问了就是一个RDD分区对应于ES index的一个分片。

PartitionDefinition partition = new PartitionDefinition(settings, resolvedMapping, index, shardId,
locationList.toArray(new String[0]));
partitions.add(partition);

3.总结

以上就是Spark Core读取ES数据的时候分片和RDD分区的对应关系分析，默认状况下是一个es 索引分片对应Spark RDD的一个分区。假如分片数过大，且ES版本在5.x及以上，能够配置参数

es.input.max.docs.per.partition

进行拆分。