pyspark操作MongoDB的方法步骤

时间:2022-03-24 22:56:31

如何导入数据

数据可能有各种格式,虽然常见的是hdfs,但是因为在python爬虫中数据库用的比较多的是mongodb,所以这里会重点说说如何用spark导入mongodb中的数据。

当然,首先你需要在自己电脑上安装spark环境,简单说下,在这里下载spark,同时需要配置好java,scala环境。

这里建议使用jupyter notebook,会比较方便,在环境变量中这样设置

pyspark_driver_python=jupyter pyspark_driver_python_opts=notebook ./bin/pyspark
如果你的环境中有多个python版本,同样可以制定你想要使用的解释器,我这里是python36,根据需求修改。

pyspark_python=/usr/bin/python36

pyspark对mongo数据库的基本操作 (๑• . •๑)

pyspark操作MongoDB的方法步骤

有几点需要注意的:

  • 不要安装最新的pyspark版本,请安装 pip3 install pyspark==2.3.2
  •  spark-connector 与平常的mongodb写法不同,格式是: mongodb://127.0.0.1:database.collection
  • 如果计算数据量比较大,你的电脑可能会比较卡,^_^
?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
#!/usr/bin/env python
# -*- coding: utf-8 -*-
"""
@author: zhangslob
@file: spark_count.py
@time: 2019/01/03
@desc:
  不要安装最新的pyspark版本
  `pip3 install pyspark==2.3.2`
  更多pyspark操作mongodb请看https://docs.mongodb.com/spark-connector/master/python-api/
"""
 
import os
from pyspark.sql import sparksession
 
# set pyspark_python to python36
os.environ['pyspark_python'] = '/usr/bin/python36'
 
# load mongodb data
# 格式是:"mongodb://127.0.0.1:database.collection"
input_uri = "mongodb://127.0.0.1:27017/spark.spark_test"
output_uri = "mongodb://127.0.0.1:27017/spark.spark_test"
 
# 创建spark,默认使用本地环境,或者"spark://master:7077"
spark = sparksession \
  .builder \
  .master("local") \
  .appname("myapp") \
  .config("spark.mongodb.input.uri", input_uri) \
  .config("spark.mongodb.output.uri", output_uri) \
  .config('spark.jars.packages', 'org.mongodb.spark:mongo-spark-connector_2.11:2.2.0') \
  .getorcreate()
 
 
def except_id(collection_1, collection_2, output_collection, pipeline):
  """
  计算表1与表2中不同的数据
  :param collection_1: 导入表1
  :param collection_2: 导入表2
  :param output_collection: 保存的表
  :param pipeline: mongodb查询语句 str
  :return:
  """
  # 可以在这里指定想要导入的数据库,将会覆盖上面配置中的input_uri。下面保存数据也一样
  # .option("collection", "mongodb://127.0.0.1:27017/spark.spark_test")
  # .option("database", "people").option("collection", "contacts")
 
  df_1 = spark.read.format('com.mongodb.spark.sql.defaultsource').option("collection", collection_1) \
    .option("pipeline", pipeline).load()
 
  df_2 = spark.read.format('com.mongodb.spark.sql.defaultsource').option("collection", collection_2) \
    .option("pipeline", pipeline).load()
 
  # df_1有但是不在 df_2,同理可以计算df_2有,df_1没有
  df = df_1.subtract(df_2)
  df.show()
 
  # mode 参数可选范围
  # * `append`: append contents of this :class:`dataframe` to existing data.
  # * `overwrite`: overwrite existing data.
  # * `error` or `errorifexists`: throw an exception if data already exists.
  # * `ignore`: silently ignore this operation if data already exists.
 
  df.write.format("com.mongodb.spark.sql.defaultsource").option("collection", output_collection).mode("append").save()
  spark.stop()
 
 
if __name__ == '__main__':
  # mongodb query, mongodb查询语句,可以减少导入数据量
  pipeline = "[{'$project': {'uid': 1, '_id': 0}}]"
 
  collection_1 = "spark_1"
  collection_2 = "spark_2"
  output_collection = 'diff_uid'
  except_id(collection_1, collection_2, output_collection, pipeline)
  print('success')

完整代码地址: spark_count_diff_uid.py

以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持服务器之家。

原文链接:https://zhangslob.github.io/2019/01/03/pyspark操作MongoDB/