如何通過ES-Hadoop將HDFS中的資料寫入Elasticsearch - Elasticsearch

ES-Hadoop是Elasticsearch推出的專門用於對接Hadoop生態的工具，可以讓資料在Elasticsearch和Hadoop之間雙向移動，無縫銜接Elasticsearch與Hadoop服務，充分使用Elasticsearch的快速搜尋及Hadoop批處理能力，實現互動式資料處理。對於一些較複雜的分析任務，需要通過MapReduce任務讀取HDFS上的JSON檔案，寫入Elasticsearch叢集。本文介紹如何通過ES-Hadoop，藉助MapReduce任務向Elasticsearch寫入資料。

操作流程

準備工作
建立同一專用網路下的Elasticsearch和E-MapReduce（以下簡稱EMR）執行個體、開啟Elasticsearch執行個體的自動建立索引功能、準備測試資料和Java環境。
步驟一：上傳ES-Hadoop JAR包至HDFS
下載ES-Hadoop安裝包，並上傳至EMR Master節點的HDFS目錄下。
步驟二：配置pom依賴
建立Java Maven工程，並配置pom依賴。
步驟三：編寫並運行MapReduce任務
編寫MapReduce寫資料到Elasticsearch的Java代碼，並打成Jar包上傳至EMR叢集，最後運行程式碼完成寫資料任務。
步驟四：驗證結果
在Elasticsearch的Kibana控制台上，查看通過MapReduce寫入的資料。

準備工作

建立Elasticsearch執行個體，並開啟自動建立索引功能。
具體操作步驟請參見建立Elasticsearch執行個體和配置YML參數。本文以6.7.0版本的執行個體為例。
重要
在生產環境中，建議關閉自動建立索引功能，提前建立好索引和Mapping。由於本文僅用於測試，因此開啟了自動建立索引功能。
建立與Elasticsearch執行個體在同一專用網路下的EMR執行個體。
執行個體配置如下：
- 產品版本：EMR-3.29.0
- 必選服務：HDFS(2.8.5)，其他服務保持預設
具體操作步驟請參見建立叢集。
重要
Elasticsearch執行個體的私網訪問白名單預設為0.0.0.0/0，您可在安全配置頁面查看，如果未使用預設配置，您還需要在白名單中加入EMR叢集的內網IP地址：
請參見查看叢集列表與詳情，擷取EMR叢集的內網IP地址。
請參見配置執行個體公網或私網訪問白名單，配置Elasticsearch執行個體的VPC私網訪問白名單。

準備JSON測試資料，將其寫入到map.json檔案中，並上傳至HDFS的/tmp/hadoop-es目錄下。

本文使用的測試資料如下。

{"id": 1, "name": "zhangsan", "birth": "1990-01-01", "addr": "No.969, wenyixi Rd, yuhang, hangzhou"}
{"id": 2, "name": "lisi", "birth": "1991-01-01", "addr": "No.556, xixi Rd, xihu, hangzhou"}
{"id": 3, "name": "wangwu", "birth": "1992-01-01", "addr": "No.699 wangshang Rd, binjiang, hangzhou"}

準備Java環境，要求JDK版本為1.8.0及以上。

步驟一：上傳ES-Hadoop JAR包至HDFS

下載ES-Hadoop安裝包，其版本需要與Elasticsearch執行個體保持一致。
本文使用elasticsearch-hadoop-6.7.0.zip。
登入E-MapReduce控制台，擷取Master節點的IP地址，並通過SSH登入對應的ECS機器。
具體操作步驟請參見登入叢集。
將已下載的elasticsearch-hadoop-6.7.0.zip上傳至Master節點，並解壓獲得elasticsearch-hadoop-6.7.0.jar。

建立HDFS目錄，將elasticsearch-hadoop-6.7.0.jar上傳至該目錄下。

hadoop fs -mkdir /tmp/hadoop-es
hadoop fs -put elasticsearch-hadoop-6.7.0/dist/elasticsearch-hadoop-6.7.0.jar /tmp/hadoop-es

步驟二：配置pom依賴

建立Java Maven工程，並將如下的pom依賴添加到Java工程的pom.xml檔案中。

<build>
    <plugins>
        <plugin>
            <groupId>org.apache.maven.plugins</groupId>
            <artifactId>maven-shade-plugin</artifactId>
            <version>2.4.1</version>
            <executions>
                <execution>
                    <phase>package</phase>
                    <goals>
                        <goal>shade</goal>
                    </goals>
                    <configuration>
                        <transformers>
                            <transformer
                                    implementation="org.apache.maven.plugins.shade.resource.ManifestResourceTransformer">
                                <mainClass>WriteToEsWithMR</mainClass>
                            </transformer>
                        </transformers>
                    </configuration>
                </execution>
            </executions>
        </plugin>
    </plugins>
</build>

<dependencies>
    <dependency>
        <groupId>org.apache.hadoop</groupId>
        <artifactId>hadoop-hdfs</artifactId>
        <version>2.8.5</version>
    </dependency>
    <dependency>
        <groupId>org.apache.hadoop</groupId>
        <artifactId>hadoop-mapreduce-client-jobclient</artifactId>
        <version>2.8.5</version>
    </dependency>
    <dependency>
        <groupId>org.apache.hadoop</groupId>
        <artifactId>hadoop-common</artifactId>
        <version>2.8.5</version>
    </dependency>
    <dependency>
        <groupId>org.apache.hadoop</groupId>
        <artifactId>hadoop-auth</artifactId>
        <version>2.8.5</version>
    </dependency>

    <dependency>
        <groupId>org.elasticsearch</groupId>
        <artifactId>elasticsearch-hadoop-mr</artifactId>
        <version>6.7.0</version>
    </dependency>

    <dependency>
        <groupId>commons-httpclient</groupId>
        <artifactId>commons-httpclient</artifactId>
        <version>3.1</version>
    </dependency>
</dependencies>

重要

請確保pom依賴中版本與雲端服務對應版本保持一致，例如elasticsearch-hadoop-mr版本與Elasticsearch版本一致；hadoop-hdfs與HDFS版本一致。

步驟三：編寫並運行MapReduce任務

編寫範例程式碼。

以下代碼會讀取HDFS上/tmp/hadoop-es目錄下的JSON檔案，並將這些JSON檔案中的每一行作為一個文檔寫入Elasticsearch。寫入過程由EsOutputFormat在Map階段完成。

import java.io.IOException;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
import org.apache.hadoop.util.GenericOptionsParser;
import org.elasticsearch.hadoop.mr.EsOutputFormat;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;


public class WriteToEsWithMR extends Configured implements Tool {

    public static class EsMapper extends Mapper<Object, Text, NullWritable, Text> {
        private Text doc = new Text();

        @Override
        protected void map(Object key, Text value, Context context) throws IOException, InterruptedException {
            if (value.getLength() > 0) {
                doc.set(value);
                System.out.println(value);
                context.write(NullWritable.get(), doc);
            }
        }
    }
    public int run(String[] args) throws Exception {
        Configuration conf = new Configuration();
        String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();

        conf.setBoolean("mapreduce.map.speculative", false);
        conf.setBoolean("mapreduce.reduce.speculative", false);
        conf.set("es.nodes", "es-cn-4591jumei000u****.elasticsearch.aliyuncs.com");
        conf.set("es.port","9200");
        conf.set("es.net.http.auth.user", "elastic");
        conf.set("es.net.http.auth.pass", "xxxxxx");
        conf.set("es.nodes.wan.only", "true");
        conf.set("es.nodes.discovery","false");
        conf.set("es.input.use.sliced.partitions","false");
        conf.set("es.resource", "maptest/_doc");
        conf.set("es.input.json", "true");

        Job job = Job.getInstance(conf);
        job.setInputFormatClass(TextInputFormat.class);
        job.setOutputFormatClass(EsOutputFormat.class);
        job.setMapOutputKeyClass(NullWritable.class);
        job.setMapOutputValueClass(Text.class);
        job.setJarByClass(WriteToEsWithMR.class);
        job.setMapperClass(EsMapper.class);

        FileInputFormat.setInputPaths(job, new Path(otherArgs[0]));

        return job.waitForCompletion(true) ? 0 : 1;
    }

    public static void main(String[] args) throws Exception {
        int ret = ToolRunner.run(new WriteToEsWithMR(), args);
        System.exit(ret);
    }
}

表 1. ES-Hadoop相關參數說明
參數	預設值	說明
es.nodes	localhost	指定Elasticsearch執行個體的訪問地址，建議使用私網地址，可在執行個體的基本資料頁面查看，詳情請參見查看執行個體的基本資料。
es.port	9200	Elasticsearch執行個體的訪問連接埠號碼。
es.net.http.auth.user	elastic	Elasticsearch執行個體的訪問使用者名稱。說明如果程式中指定elastic帳號訪問Elasticsearch服務，後續在修改elastic帳號對應密碼後需要一些時間來生效，在密碼生效期間會影響服務訪問，因此不建議通過elastic來訪問。建議在Kibana控制台中建立一個符合預期的Role角色使用者進行訪問，詳情請參見通過Elasticsearch X-Pack角色管理實現使用者權限管控。
es.net.http.auth.pass	/	Elasticsearch執行個體的訪問密碼。
es.nodes.wan.only	false	開啟Elasticsearch叢集在雲上使用虛擬IP進行串連，是否進行節點嗅探： true：設定 false：不設定
es.nodes.discovery	true	是否禁用節點發現： true：禁用 false：不禁用重要使用Elasticsearch，必須將此參數設定為false。
es.input.use.sliced.partitions	true	是否使用slice分區： true：使用。設定為true，可能會導致索引在預讀階段的時間明顯變長，有時會遠遠超出查詢資料所耗費的時間。建議設定為false，以提高查詢效率。 false：不使用。
es.index.auto.create	true	通過Hadoop組件向Elasticsearch叢集寫入資料，是否自動建立不存在的index： true：自動建立 false：不會自動建立
es.resource	/	指定要讀寫的index和type。
es.input.json	false	輸入是否已經是JSON格式： true：是JSON格式 false：不是JSON格式
es.mapping.names	/	表欄位與Elasticsearch的索引欄位名映射。
es.read.metadata	false	操作Elasticsearch欄位涉及到_id之類的內部欄位，請開啟此屬性。

更多的ES-Hadoop配置項說明，請參見官方配置說明。

將代碼打成Jar包，上傳至EMR用戶端機器（例如Gateway或EMR叢集主節點）。
在EMR用戶端機器上，運行如下命令執行MapReduce程式。
```
hadoop jar es-mapreduce-1.0-SNAPSHOT.jar /tmp/hadoop-es/map.json
```
說明
es-mapreduce-1.0-SNAPSHOT.jar需要替換為您已上傳的Jar包名稱。

步驟四：驗證結果

登入對應Elasticsearch執行個體的Kibana控制台。
具體操作步驟請參見登入Kibana控制台。
在左側導覽列，單擊Dev Tools。
在Console頁簽下，執行以下命令，查看通過MapReduce任務寫入的資料。
```
GET maptest/_search
{
  "query": {
    "match_all": {}
  }
}
```
查詢成功後，返回結果如下。

總結

本文以Elasticsearch和EMR為例，介紹了如何通過ES-Hadoop，藉助MapReduce任務向Elasticsearch寫入資料。相反，您也可以藉助MapReduce任務查詢Elasticsearch資料。查詢配置和寫入類似，詳細說明可參見官方Reading data from Elasticsearch說明。