Scala 使用Spark将非规范化配置单元表加载到Elasticsearch中

所以，我找到了很多相反的答案，但不是这个。现在听起来很傻，因为Elasticsearch只处理非规范化数据，但这就是我们的问题所在。我们有一个格式如下的表：

+----+--------+--------+--------+--------+---------+
| id | attr_1 | attr_2 | attr_3 | attr_4 | fst_nm  |
+----+--------+--------+--------+--------+---------+
|  1 |   2984 |   0324 |  38432 |        | john    |
|  2 |   2343 |  28347 | 238493 |  34923 | patrick |
|  3 |   3293 |   3823 |  38423 |  34823 | george  |
+----+--------+--------+--------+--------+---------+

其中attr_x表示相同的确切内容，假设它们是另一个表的外键，当该表在规范化世界中分离时。因此，所有的属性都存在于一个单独的表中。然而，这些表被反序列化，它们都被转储到一个长表中。通常情况下，这个问题不大，无法加载到Elasticsearch中，但这个表非常庞大，大约有1000多列。我们希望将这些属性作为数组存储在Elasticsearch中，如下所示：

_source: {
  "id": 1,
  "fst_nm": "john",
  "attrs": [
    2984,
    0324,
    38432
  ]
}

+-----+--------+
| id  |  attr  |
+-----+--------+
|   1 |   2984 |
|   1 |   0324 |
|   1 |  38432 |
|   2 |   2343 |
| ... |    ... |
|   3 |  34823 |
+-----+--------+

而不是：

_source: {
  "id": 1,
  "fst_nm": "john",
  "attr_1": 2984,
  "attr_2": 0324,
  "attr_3": 38432
}

当我们使用默认的Spark过程时，它只创建底部的Elasticsearch文档。我的一些想法是创建一个新的

attrs

表，并取消对它们的调用，然后按ID查询该表，以获取attrs，因此它看起来像这样：

_source: {
  "id": 1,
  "fst_nm": "john",
  "attrs": [
    2984,
    0324,
    38432
  ]
}

+-----+--------+
| id  |  attr  |
+-----+--------+
|   1 |   2984 |
|   1 |   0324 |
|   1 |  38432 |
|   2 |   2343 |
| ... |    ... |
|   3 |  34823 |
+-----+--------+

然后我们可以使用Spark SQL在这个新创建的表上按id进行查询，获取属性，但是我们如何使用Spark将其作为数组插入Elasticsearch

---

我的另一个想法是在Hive中创建一个新表，并将attr更改为Hive复杂类型的数组，但我不知道该怎么做。此外，如果我们使用Spark在Hive中查询表，当结果以数组形式返回时，是否可以轻松转储到Elasticsearch中？

至于数据转换部分，您可以使用

array

将多个列收集到一个数组中，然后您可以使用

.write.json（“jsonfile”）

写入json文件：

import org.apache.spark.sql.functions.col
val attrs = df.columns.filter(_.startsWith("attr")).map(col(_))

val df_array = df.withColumn("attrs", array(attrs:_*)).select("id", "fst_nm", "attrs")

df_array.toJSON.collect
//res8: Array[String] = Array({"id":1,"fst_nm":"john","attrs":[2984,324,38432,null]}, {"id":2,"fst_nm":"patrick","attrs":[2343,28347,238493,34923]})

写入文件：

df_array.write.json("/PATH/TO/jsonfile")

---

对于数据转换部分，您可以使用

array

将多个列收集为一个数组，然后使用

.write.json（“jsonfile”）

写入json文件：

import org.apache.spark.sql.functions.col
val attrs = df.columns.filter(_.startsWith("attr")).map(col(_))

val df_array = df.withColumn("attrs", array(attrs:_*)).select("id", "fst_nm", "attrs")

df_array.toJSON.collect
//res8: Array[String] = Array({"id":1,"fst_nm":"john","attrs":[2984,324,38432,null]}, {"id":2,"fst_nm":"patrick","attrs":[2343,28347,238493,34923]})

写入文件：

df_array.write.json("/PATH/TO/jsonfile")

---

这看起来像我想要的，但是我在

列上找不到符号。这是为较旧版本的Scala/Spark设计的吗？
col
是一个sql函数，您需要导入它，请参阅更新。这看起来像我想要的，但是我在
col
上找不到符号。这是否适用于较旧版本的Scala/Spark？
col
是一个sql函数，需要导入它，请参阅更新。