无法使用 spark-shell 从 EMR 集群连接到远程 MongoDB

Question

我正在尝试从 EMR 集群连接到远程 Mongo 数据库。以下代码使用命令spark-shell --packages com.stratio.datasource:spark-mongodb_2.10:0.11.2执行：

import com.stratio.datasource.mongodb._
import com.stratio.datasource.mongodb.config._
import com.stratio.datasource.mongodb.config.MongodbConfig._

val builder = MongodbConfigBuilder(Map(Host -> List("[IP.OF.REMOTE.HOST]:3001"), Database -> "meteor", Collection ->"my_target_collection", ("user", "user_name"), ("database", "meteor"), ("password", "my_password")))
val readConfig = builder.build()
val mongoRDD = sqlContext.fromMongoDB(readConfig)

Spark-shell 响应以下错误：

16/07/26 15:44:35 INFO SparkContext: Starting job: aggregate at MongodbSchema.scala:47
16/07/26 15:44:45 WARN DAGScheduler: Creating new stage failed due to exception - job: 1
com.mongodb.MongoTimeoutException: Timed out after 10000 ms while waiting to connect. Client view of cluster state is {type=Unknown, servers=[{address=[IP.OF.REMOTE.HOST]:3001, type=Unknown, state=Connecting, exception={java.lang.IllegalArgumentException: response too long: 1347703880}}]
    at com.mongodb.BaseCluster.getDescription(BaseCluster.java:128)
    at com.mongodb.DBTCPConnector.getClusterDescription(DBTCPConnector.java:394)
    at com.mongodb.DBTCPConnector.getType(DBTCPConnector.java:571)
    at com.mongodb.DBTCPConnector.getReplicaSetStatus(DBTCPConnector.java:362)
    at com.mongodb.Mongo.getReplicaSetStatus(Mongo.java:446)
.
.
.

阅读了一段时间后，SO 和其他论坛中的一些回复指出java.lang.IllegalArgumentException: response too long: 1347703880 错误可能是由错误的 Mongo 驱动程序引起的。基于此，我开始使用更新的驱动程序执行 spark-shell，如下所示：

spark-shell --packages com.stratio.datasource:spark-mongodb_2.10:0.11.2 --jars casbah-commons_2.10-3.1.1.jar,casbah-core_2.10-3.1.1.jar,casbah-query_2.10-3.1.1ja.jar,mongo-java-driver-2.13.0.jar

当然，在此之前，我下载了 jars 并将它们存储在与 spark-shell 执行相同的路径中。尽管如此，使用这种方法，spark-shell 会给出以下神秘的错误消息：

Exception in thread "dag-scheduler-event-loop" java.lang.NoClassDefFoundError: com/mongodb/casbah/query/dsl/CurrentDateOp
    at com.mongodb.casbah.MongoClient.apply(MongoClient.scala:218)
    at com.stratio.datasource.mongodb.partitioner.MongodbPartitioner.isShardedCollection(MongodbPartitioner.scala:78)

值得一提的是，目标 MongoDB 是 Meteor Mongo 数据库，这就是为什么我尝试使用 [IP.OF.REMOTE.HOST]:3001 连接而不是使用端口 27017。

可能是什么问题？我已经学习了许多教程，但所有教程似乎都将 MongoDB 放在同一主机中，从而允许他们在凭据中声明 localhost:27017。我有什么遗漏吗？

感谢您的帮助！

Answer 1

我最终改用了 MongoDB 的官方 Java 驱动程序。这是我第一次使用 Spark 和 Scala 编程语言，所以我还不太熟悉使用纯 Java JAR 的想法。

解决办法

我下载了必要的 JAR 并将它们存储在与作业文件相同的目录中，作业文件是一个 Scala 文件。所以目录看起来像：

/job_directory
|--job.scala
|--bson-3.0.1.jar
|--mongodb-driver-3.0.1.jar
|--mongodb-driver-core-3.0.1.jar

然后，我按如下方式启动 spark-shell 以将 JAR 及其类加载到 shell 环境中：

spark-shell --jars "mongodb-driver-3.0.1.jar,mongodb-driver-core-3.0.1.jar,bson-3.0.1.jar"

接下来，我执行以下操作将作业的源代码加载到 spark-shell 中：

:load job.scala

最后我像这样在我的工作中执行主要对象：

MainObject.main(Array())

就 MainObject 内部的代码而言，它只是如tutorial 所述：

val mongo = new MongoClient(IP_OF_REMOTE_MONGO , 27017)
val db = mongo.getDB(DB_NAME)

希望这将有助于未来的读者和 spark-shell/Scala 初学者！