Livy探究(四) -- 从es读取数据

在前面的所有例子中，我们只是运行了livy官方给的两个例子。这篇我们要尝试运行一些有意义的代码。

如没有特殊说明，以后所有的实验都是在yarn-cluster模式下运行的。

我们打算尝试运行下面代码：

sparkSession.read.format("org.elasticsearch.spark.sql")
.options(Map(
    "es.nodes" -> "192.168.21.41:9200", 
    "es.resource" -> "xxxxxxxxxxxxx")
)
.load()
.show()

这段代码用spark sql加载了elasticsearch的某个index，并使用show()打印几行数据。

为了完成这个实验，有两个问题必须解决：

1. 大家知道spark sql可以扩展DataSource，elasticsearch官方为spark开发的DataSource在elasticsearch-spark-20_2.11-x.x.x.jar里面。所以要运行上面的代码，必须保证这个jar包被正确加载到。
2. 在之前的例子中，我们用sc表示当前的SparkContext对象，而这里我们需要的是SparkSession对象。现在我们还不知道应该如何引用“当前SparkSession”对象。

这两个问题，livy的文档没有涉及。但是没关系，从源码里面找答案。

首先，种种迹象表明livy会自动将LIVY_HOME/rsc-jars目录下的jar包上传。于是我们先把elasticsearch-spark-20_2.11-x.x.x.jar传到LIVY_HOME/rsc-jars目录下。

然后，从源码org/apache/livy/repl/AbstractSparkInterpreter.scala中可以找到SparkSession对象的bind：

...
bind("spark",
 sparkEntries.sparkSession().getClass.getCanonicalName,
 sparkEntries.sparkSession(),
 List("""@transient"""))
bind("sc", "org.apache.spark.SparkContext", sparkEntries.sc().sc, List("""@transient"""))
execute("import org.apache.spark.SparkContext._")
execute("import spark.implicits._")
execute("import spark.sql")
execute("import org.apache.spark.sql.functions._")
...

可以看到，这里将SparkSession对象bind到spark变量上，而把SparkContext对象bind到sc变量上。

于是我们的代码应该写成：

spark.read.format("org.elasticsearch.spark.sql")
.options(Map(
    "es.nodes" -> "192.168.21.41:9200", 
    "es.resource" -> "xxxxxxxxxxxxx")
)
.load()
.show()

接下来，还是用python来提交代码运行：

data = {'code': 'sc.read.format("org.elasticsearch.spark.sql").options(Map("es.nodes" -> "192.168.21.41:9200", "es.resource" -> "777_zabbix_item2020_09_23_09_50_41")).load().show()'}

r = requests.post(statements_url, data=json.dumps(data), headers=headers)

从webui上查看运行结果：

可以看到show()成果打印了结果

从spark-web-ui上找到环境页面，查看spark.yarn.dist.jars，可以看到，elasticsearch-spark-20_2.11-x.x.x.jar被加了进来：

总结

从这个实验，我们掌握了自定义的jar包应该如何利用livy上传到集群上；还知道了SparkSession对象bind的变量是spark。