开始使用 Spark Connector

依赖项管理

向依赖项管理工具提供 Spark Core、Spark SQL 和 MongoDB Spark Connector 依赖项。

从版本3.2.0开始， Apache Spark 同时支持 Scala 2.12和2.13 。 Spark 3.1.3和以前的版本仅支持 Scala 2 。 12 。 要为两个 Scala 版本提供支持，请使用10版本。 4 。 Spark Connector 的0会生成两个工件：

• org.mongodb.spark:mongo-spark-connector_2.12:10.4.0 针对 Scala 2.12进行编译，并支持 Spark 3.1 .x 及更高版本。

• org.mongodb.spark:mongo-spark-connector_2.13:10.4.0 针对 Scala 2.13进行编译，并支持 Spark 3.2 .x 及更高版本。

以下 Maven pom.xml文件摘录显示了如何包含与 Scala 2.12兼容的依赖项：

<dependencies>
  <dependency>
    <groupId>org.mongodb.spark</groupId>
    <artifactId>mongo-spark-connector_2.12</artifactId>
    <version>10.4.0</version>
  </dependency>
  <dependency>
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-core_2.12</artifactId>
    <version>3.3.1</version>
  </dependency>
  <dependency>
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-sql_2.12</artifactId>
    <version>3.3.1</version>
  </dependency>
</dependencies>

配置

通过 SparkSession 指定Connector配置时，必须为设置添加适当的前缀。 有关详细信息和其他可用的MongoDB Spark Connector选项，请参阅《 配置Spark 》指南。

package com.mongodb.spark_examples;
import org.apache.spark.sql.SparkSession;
public final class GettingStarted {
  public static void main(final String[] args) throws InterruptedException {
    /* Create the SparkSession.
     * If config arguments are passed from the command line using --conf,
     * parse args for the values to set.
     */
    SparkSession spark = SparkSession.builder()
      .master("local")
      .appName("MongoSparkConnectorIntro")
      .config("spark.mongodb.read.connection.uri", "mongodb://127.0.0.1/test.myCollection")
      .config("spark.mongodb.write.connection.uri", "mongodb://127.0.0.1/test.myCollection")
      .getOrCreate();
    // Application logic
  }
}

• spark.mongodb.read.connection.uri指定MongoDB服务器解决( 127.0.0.1 )、要连接的数据库( test )、要从中读取数据的集合( myCollection ) 以及读取偏好（read preference）。

• spark.mongodb.write.connection.uri指定 MongoDB 服务器地址 ( 127.0.0.1 )、要连接的数据库 ( test ) 以及要写入数据的集合 ( myCollection )。

您可以使用SparkSession对象将数据写入 MongoDB、从 MongoDB 读取数据、创建数据集以及执行 SQL 操作。

Python Spark Shell

本教程使用 pyspark shell，但该代码也适用于独立的 Python 应用程序。

在启动 pyspark Shell 时，您可以指定：

• --packages 选项以下载 MongoDB Spark Connector 包。提供了以下包：

  • mongo-spark-connector

• --conf 选项以配置 MongoDB Spark Connnector。这些设置可配置 SparkConf 对象。

  注意

  如果使用SparkConf配置Spark Connector，则必须为设置相应地添加前缀。 有关详细信息和其他可用的MongoDB Spark Connector选项，请参阅《配置Spark 》指南。

以下示例从命令行启动 pyspark Shell：

./bin/pyspark --conf "spark.mongodb.read.connection.uri=mongodb://127.0.0.1/test.myCollection?readPreference=primaryPreferred" \
              --conf "spark.mongodb.write.connection.uri=mongodb://127.0.0.1/test.myCollection" \
              --packages org.mongodb.spark:mongo-spark-connector_2.12:10.4.0

• spark.mongodb.read.connection.uri指定 MongoDB 服务器地址 ( 127.0.0.1 )、要连接的数据库 ( test )、要从中读取数据的集合 ( myCollection ) 以及读取偏好。

• spark.mongodb.write.connection.uri指定MongoDB服务器解决( 127.0.0.1 )、要连接的数据库( test ) 以及要写入数据的集合( myCollection )。 默认连接到端口27017 。

• packages 选项以 groupId:artifactId:version 格式指定 Spark Connector 的 Maven 坐标。

本教程中的示例将使用此数据库和集合。

创建SparkSession 对象

如果您在启动 pyspark 时指定 spark.mongodb.read.connection.uri 和 spark.mongodb.write.connection.uri 配置选项，则默认 SparkSession 对象将使用它们。如果您希望在 pyspark 中创建自己的 SparkSession 对象，则可以使用 SparkSession.builder 并指定不同的配置选项。

from pyspark.sql import SparkSession
my_spark = SparkSession \
    .builder \
    .appName("myApp") \
    .config("spark.mongodb.read.connection.uri", "mongodb://127.0.0.1/test.coll") \
    .config("spark.mongodb.write.connection.uri", "mongodb://127.0.0.1/test.coll") \
    .getOrCreate()

您可以使用 SparkSession 对象在 MongoDB 中写入和读取数据、创建 DataFrame 以及执行 SQL 操作。

Spark Shell

启动 Spark Shell 时，请指定：

• --packages 选项以下载 MongoDB Spark Connector 包。提供了以下包：

  • mongo-spark-connector

• --conf 选项以配置 MongoDB Spark Connnector。这些设置可配置 SparkConf 对象。

  注意

  如果使用SparkConf配置Spark Connector，则必须为设置相应地添加前缀。 有关详细信息和其他可用的MongoDB Spark Connector选项，请参阅《配置Spark 》指南。

例如，

./bin/spark-shell --conf "spark.mongodb.read.connection.uri=mongodb://127.0.0.1/test.myCollection?readPreference=primaryPreferred" \
                  --conf "spark.mongodb.write.connection.uri=mongodb://127.0.0.1/test.myCollection" \
                  --packages org.mongodb.spark:mongo-spark-connector_2.12:10.4.0

• spark.mongodb.read.connection.uri指定 MongoDB 服务器地址 ( 127.0.0.1 )、要连接的数据库 ( test )、要从中读取数据的集合 ( myCollection ) 以及读取偏好。

• spark.mongodb.write.connection.uri指定MongoDB服务器解决( 127.0.0.1 )、要连接的数据库( test ) 以及要写入数据的集合( myCollection )。 默认连接到端口27017 。

• packages 选项以 groupId:artifactId:version 格式指定 Spark Connector 的 Maven 坐标。

import com.mongodb.spark._

自包含 Scala 应用程序

scalaVersion := "2.12",
libraryDependencies ++= Seq(
  "org.mongodb.spark" %% "mongo-spark-connector_2.12" % "10.4.0",
  "org.apache.spark" %% "spark-core" % "3.3.1",
  "org.apache.spark" %% "spark-sql" % "3.3.1"
)

package com.mongodb
object GettingStarted {
  def main(args: Array[String]): Unit = {
    /* Create the SparkSession.
     * If config arguments are passed from the command line using --conf,
     * parse args for the values to set.
     */
    import org.apache.spark.sql.SparkSession
    val spark = SparkSession.builder()
      .master("local")
      .appName("MongoSparkConnectorIntro")
      .config("spark.mongodb.read.connection.uri", "mongodb://127.0.0.1/test.myCollection")
      .config("spark.mongodb.write.connection.uri", "mongodb://127.0.0.1/test.myCollection")
      .getOrCreate()
  }
}

故障排除

如果得到 java.net.BindException: Can't assign requested address，

• 检查并确保没有其他 Spark Shell 正在运行。

• 尝试设置 SPARK_LOCAL_IP 环境变量；例如

  export SPARK_LOCAL_IP=127.0.0.1

• 尝试在启动 Spark Shell 时加入以下选项：

  --driver-java-options "-Djava.net.preferIPv4Stack=true"

如果运行本教程中的示例时出现错误，可能需要清除本地 Ivy 缓存（~/.ivy2/cache/org.mongodb.spark 和 ~/.ivy2/jars）。