如何在火花中插入弹性搜索？

Question

使用 HTTP POST，以下脚本可以插入新字段 createtime 或更新 lastupdatetime：

curl -XPOST 'localhost:9200/test/type1/1/_update' -d '{
"doc": {
    "lastupdatetime": "2015-09-16T18:00:00"
}
"upsert" : {
    "createtime": "2015-09-16T18:00:00"
    "lastupdatetime": "2015-09-16T18:00",
}
}'

但在 spark 脚本中，设置 "es.write.operation": "upsert" 后，我根本不知道如何插入 createtime。 official document中只有es.update.script.*...那么，谁能举个例子？

更新：在我的例子中，我想将android设备的信息从log保存为one elasticsearch类型，并将其首次出现时间设置为createtime。如果设备再次出现，我只更新lastupdatetime，但保持createtime 不变。

所以文档id是android ID，如果id存在，更新lastupdatetime，否则插入createtime和lastupdatetime。所以这里的设置是（在python中）：

conf = {
    "es.resource.write": "stats-device/activation",
    "es.nodes": "NODE1:9200",
    "es.write.operation": "upsert",
    "es.mapping.id": "id"
    # ???
}

rdd.saveAsNewAPIHadoopFile(
    path='-',
    outputFormatClass="org.elasticsearch.hadoop.mr.EsOutputFormat",
    keyClass="org.apache.hadoop.io.NullWritable",
    valueClass="org.elasticsearch.hadoop.mr.LinkedMapWritable",
    conf=conf
)

如果id 不存在，我只是不知道如何插入新 字段。

Answer 1

没有看到您的 Spark 脚本，很难给出详细的答案。但一般来说，您会想要使用elasticsearch-hadoop（因此您需要将该依赖项添加到您的 Build.sbt 文件中，例如），然后在您的脚本中您可以：

import org.elasticsearch.spark._ 
val documents = sc.parallelize(Seq(Map(
                                   "id" -> 1, 
                                   "createtime" -> "2015-09-16T18:00:00"
                                   "lastupdatetime" -> "2015-09-16T18:00"),
                                  Map(<next document>), ...)
                   .saveToEs("test/type1", Map("es.mapping.id" -> "id"))

根据official docs。 saveToES 的第二个参数指定 Maps 的 RDD 中的哪个键用作 ElasticSearch 文档 ID。

当然，如果您使用 Spark 执行此操作，则意味着您的行数比您想要手动输入的要多，因此对于您的情况，您需要将数据转换为 Maps 的 RDD从脚本中的键-> 值。但在不知道数据源的情况下，我无法更详细地介绍。

Answer 2

最后，我得到了一个不完美的解决方案：

1. 在所有源文档中添加createtime；
2. 使用create方法保存到es并忽略已经创建的错误；
3. 删除createtime字段；
4. 用update方法再次保存到es；

目前（2015-09-27），第二步可以通过this patch实现。