Spark RDD 到新的 MongoDB 集合，在 Scala 中具有索引

Question

在 spark-submit 作业（用 Scala 编写的 .JAR）中，我需要访问现有的 MongoDB，在数据库中创建新集合，添加索引，从分布在 1000 多个执行程序的 RDD 写入数据收藏。

我找不到一个图书馆可以做到这一切。现在，我正在使用 mongo-spark-connector 从 RDD 写入，然后我使用 casbah 创建索引。

mongo spark 连接器（scaladoc 在哪里？）- https://docs.mongodb.com/spark-connector/current/scala-api/

casbah - http://mongodb.github.io/casbah/3.1/scaladoc/#package

流程是这样的……

• 创建 RDD
• 从 RDD 写入新集合（使用 mongo spark 连接器）
• 写入后在集合上创建索引（使用 casbah）

这种方法会加快速度吗？任何想法如何完成它？

• 创建空集合
• 创建索引
• 构建 RDD 并写入此集合
• 使用一个库来完成

这就是我现在的做法，但我怀疑还有更好的方法。

进口

// casbah - used to create index after new collection is created 
import com.mongodb.casbah.Imports.{MongoClient,MongoCollection,MongoClientURI}

// mongo-spark-connector used to write to Mongo from Spark cluster (and create new collection in process)
import com.mongodb.spark.MongoSpark 
import com.mongodb.spark.config.{WriteConfig,ReadConfig}
import org.bson.Document 

连接信息

object MyConnect {
  // mongodb connect
  val host       = "128.128.128.128"
  val port       = 12345
  val db         = "db"
  val collection = "collection"
  val user       = "user"
  val password   = "password"

  // casbah - to create index 
  val casbah_db_uri = MongoClientURI(
    s"mongodb://${user}:${password}@${host}:${port}/${db}"
  )

  // mongodb spark connector - to write from RDD 
  val collection_uri = s"mongodb://${user}:${password}@${host}:${port}/${db}.${collection}"
  val writeConfig: WriteConfig = WriteConfig(Map("uri"->collection_uri))
}

做事

object sparkSubmit {

  def main(args: Array[String]): Unit = {

    // dummy dataset - RDD[(id, cnt)]
    val rdd_dummy: RDD[(String, Int)] = ???

    // data as Mongo docs - as per mongo spark connector
    val rdd_bson: RDD[Document] = {
      rdd_dummy
      .map(tup => s"""{"hex":"${tup._1}", "cnt":${tup._2}}""")
      .map(str => Document.parse(str))
    }

    // save to mongo / create new collection in process - using mongo spark connector
    MongoSpark.save(rdd_bson, MyConnect.writeConfig)

    // create index on new collection - using casbah
    val new_table: MongoCollection = MongoClient(MyConnect.casbah_db_uri)(MyConnect.db)(MyConnect.collection)
    new_table.createIndex("hex")
  }
}

Answer 1

这种方法会加快速度吗？

通常对于任何数据库（包括 MongoDB），索引构建操作都会有成本。如果在空集合上创建索引，则在（每个）插入操作期间将产生索引构建操作成本。如果在所有插入之后创建索引，那么之后也会产生索引构建成本，这可能会锁定集合直到索引构建完成。

您可以根据您的用例进行选择，即如果您想在集合完成后立即访问它，请在空集合上创建索引。

请注意，MongoDB 有两种索引构建操作类型：前台和后台。请参阅MongoDB: Index Creation 了解更多信息。

scaladoc 在哪里？

它没有 scaladoc，但是有一个 javadoc：https://www.javadoc.io/doc/org.mongodb.spark/mongo-spark-connector_2.11/2.2.1

这是因为 MongoDB Spark 连接器使用了下面的 MongoDB Java 驱动程序 jar。

您应该尝试使用官方的MongoDB Scala driver，而不是使用传统的 Scala 驱动程序 Casbah 创建索引。例如Create An Index。

collection.createIndex(ascending("i"))