Apache spark 如何在PySpark中将数据帧保存到Elasticsearch？

我有一个spark数据框，我正试图将其推送到AWS Elasticsearch，但在此之前，我测试了这个示例片段以推送到ES

from pyspark.sql import SparkSession
spark = SparkSession.builder.appName('ES_indexer').getOrCreate()
df = spark.createDataFrame([{'num': i} for i in xrange(10)])
df = df.drop('_id')
df.write.format(
    'org.elasticsearch.spark.sql'
).option(
    'es.nodes', 'http://spark-data-push-adertadaltdpioy124.us-west-2.es.amazonaws.com'
).option(
    'es.port', 9200
).option(
    'es.resource', '%s/%s' % ('index_name', 'doc_type_name'),
).save()

我得到一个错误的说法

java.lang.ClassNotFoundException:未能找到数据源：org.elasticsearch.spark.sql。请在以下网址查找包裹：

如有任何建议，将不胜感激

错误跟踪：

Traceback (most recent call last):
  File "es_3.py", line 12, in <module>
    'es.resource', '%s/%s' % ('index_name', 'doc_type_name'),
  File "/usr/local/lib/python2.7/site-packages/pyspark/sql/readwriter.py", line 732, in save
    self._jwrite.save()
  File "/usr/local/lib/python2.7/site-packages/py4j/java_gateway.py", line 1257, in __call__
    answer, self.gateway_client, self.target_id, self.name)
  File "/usr/local/lib/python2.7/site-packages/pyspark/sql/utils.py", line 63, in deco
    return f(*a, **kw)
  File "/usr/local/lib/python2.7/site-packages/py4j/protocol.py", line 328, in get_return_value
    format(target_id, ".", name), value)
py4j.protocol.Py4JJavaError: An error occurred while calling o46.save.
: java.lang.ClassNotFoundException: Failed to find data source: org.elasticsearch.spark.sql. Please find packages at http://spark.apache.org/third-party-projects.html
        at org.apache.spark.sql.execution.datasources.DataSource$.lookupDataSource(DataSource.scala:657)
        at org.apache.spark.sql.DataFrameWriter.save(DataFrameWriter.scala:245)
        at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
        at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:62)
        at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
        at java.lang.reflect.Method.invoke(Method.java:498)
        at py4j.reflection.MethodInvoker.invoke(MethodInvoker.java:244)
        at py4j.reflection.ReflectionEngine.invoke(ReflectionEngine.java:357)
        at py4j.Gateway.invoke(Gateway.java:282)
        at py4j.commands.AbstractCommand.invokeMethod(AbstractCommand.java:132)
        at py4j.commands.CallCommand.execute(CallCommand.java:79)
        at py4j.GatewayConnection.run(GatewayConnection.java:238)
        at java.lang.Thread.run(Thread.java:748)
Caused by: java.lang.ClassNotFoundException: org.elasticsearch.spark.sql.DefaultSource
        at java.net.URLClassLoader.findClass(URLClassLoader.java:382)
        at java.lang.ClassLoader.loadClass(ClassLoader.java:424)
        at java.lang.ClassLoader.loadClass(ClassLoader.java:357)
        at org.apache.spark.sql.execution.datasources.DataSource$$anonfun$20$$anonfun$apply$12.apply(DataSource.scala:634)
        at org.apache.spark.sql.execution.datasources.DataSource$$anonfun$20$$anonfun$apply$12.apply(DataSource.scala:634)
        at scala.util.Try$.apply(Try.scala:192)
        at org.apache.spark.sql.execution.datasources.DataSource$$anonfun$20.apply(DataSource.scala:634)
        at org.apache.spark.sql.execution.datasources.DataSource$$anonfun$20.apply(DataSource.scala:634)
        at scala.util.Try.orElse(Try.scala:84)
        at org.apache.spark.sql.execution.datasources.DataSource$.lookupDataSource(DataSource.scala:634)
        ... 12 more

回溯（最近一次呼叫最后一次）：
文件“es_3.py”，第12行，在
'es.resource'，'%s/%s'（'index\u name'，'doc\u type\u name'），
文件“/usr/local/lib/python2.7/site packages/pyspark/sql/readwriter.py”，第732行，保存
self.\u jwrite.save（）
文件“/usr/local/lib/python2.7/site packages/py4j/java_gateway.py”，第1257行，in__调用__
回答，self.gateway\u客户端，self.target\u id，self.name）
文件“/usr/local/lib/python2.7/site-packages/pyspark/sql/utils.py”，第63行，deco格式
返回f（*a，**kw）
文件“/usr/local/lib/python2.7/site packages/py4j/protocol.py”，第328行，在get_return_值中
格式（目标id，“.”，名称），值）
py4j.protocol.Py4JJavaError:调用o46.save时出错。
：java.lang.ClassNotFoundException:未能找到数据源：org.elasticsearch.spark.sql。请在以下网址查找包裹：http://spark.apache.org/third-party-projects.html
位于org.apache.spark.sql.execution.datasources.DataSource$.lookUpdateSource（DataSource.scala:657）
位于org.apache.spark.sql.DataFrameWriter.save（DataFrameWriter.scala:245）
在sun.reflect.NativeMethodAccessorImpl.invoke0（本机方法）处
位于sun.reflect.NativeMethodAccessorImpl.invoke（NativeMethodAccessorImpl.java:62）
在sun.reflect.DelegatingMethodAccessorImpl.invoke（DelegatingMethodAccessorImpl.java:43）中
位于java.lang.reflect.Method.invoke（Method.java:498）
位于py4j.reflection.MethodInvoker.invoke（MethodInvoker.java:244）
位于py4j.reflection.ReflectionEngine.invoke（ReflectionEngine.java:357）
在py4j.Gateway.invoke处（Gateway.java:282）
位于py4j.commands.AbstractCommand.invokeMethod（AbstractCommand.java:132）
在py4j.commands.CallCommand.execute（CallCommand.java:79）
在py4j.GatewayConnection.run处（GatewayConnection.java:238）
运行（Thread.java:748）
原因：java.lang.ClassNotFoundException:org.elasticsearch.spark.sql.DefaultSource
位于java.net.URLClassLoader.findClass（URLClassLoader.java:382）
位于java.lang.ClassLoader.loadClass（ClassLoader.java:424）
位于java.lang.ClassLoader.loadClass（ClassLoader.java:357）
位于org.apache.spark.sql.execution.datasources.DataSource$$anonfun$20$$anonfun$apply$12.apply（DataSource.scala:634）
位于org.apache.spark.sql.execution.datasources.DataSource$$anonfun$20$$anonfun$apply$12.apply（DataSource.scala:634）
在scala.util.Try$.apply（Try.scala:192）
位于org.apache.spark.sql.execution.datasources.DataSource$$anonfun$20.apply（DataSource.scala:634）
位于org.apache.spark.sql.execution.datasources.DataSource$$anonfun$20.apply（DataSource.scala:634）
在scala.util.Try.orElse（Try.scala:84）
位于org.apache.spark.sql.execution.datasources.DataSource$.lookUpdateSource（DataSource.scala:634）
... 还有12个

tl；dr使用

pyspark--packagesorg.elasticsearch:elasticsearch-hadoop:7.2.0

并使用

格式（“es”）

引用连接器

---

引用ApacheHadoop产品Elasticsearch的官方文档：

与其他库一样，elasticsearch hadoop需要在Spark的类路径中可用

后来：

elasticsearch hadoop通过两个不同的jar支持Spark SQL 1.3-1.6和Spark SQL 2.0版本：

elasticsearch-Spark-1.x-.jar

和

elasticsearch hadoop-.jar

elasticsearch-spark-2.0-.jar

支持spark SQL 2.0

这看起来像是文档的一个问题（因为它们使用两个不同版本的jar文件），但确实意味着您必须在Spark应用程序的类路径上使用正确的jar文件

后来在同一时间：

Spark SQL支持在org.elasticsearch.Spark.SQL包下提供

这仅仅说明格式（在

df.write.format（'org.elasticsearch.spark.sql'）

中）是正确的

再往下看，您甚至可以使用别名

df.write.format（“es”）

（！）

---

我发现GitHub上的项目存储库中的部分更具可读性和最新性。

更新：截至2020年6月，当前的ES hadoop软件包是7.7.1，因此我改用了

pyspark--packages org.elasticsearch:elasticsearch hadoop:7.7.1