web-dev-qa-db-ja.com

Spark 2.2.0-DynamoDBへのDataFrameの書き込み/読み取り方法

SparkアプリケーションでDynamoDBからテーブルを読み取り、何かを実行して、結果をDynamoDBに書き込みます。

テーブルをDataFrameに読み込みます

現在、DynamoDBのテーブルをSparkとしてhadoopRDDとして読み取り、それをDataFrameに変換できます。ただし、正規表現を使用して値を抽出する必要がありました。 AttributeValue。より優れた/よりエレガントな方法はありますか？AWS APIで何も見つかりませんでした。

package main.scala.util

import org.Apache.spark.sql.SparkSession
import org.Apache.spark.SparkContext
import org.Apache.spark.sql.SQLContext
import org.Apache.spark.sql.functions._
import org.Apache.spark.sql.types._
import org.Apache.spark.rdd.RDD
import scala.util.matching.Regex
import Java.util.HashMap

import com.amazonaws.services.dynamodbv2.model.AttributeValue
import org.Apache.hadoop.io.Text;
import org.Apache.hadoop.dynamodb.DynamoDBItemWritable
/* Importing DynamoDBInputFormat and DynamoDBOutputFormat */
import org.Apache.hadoop.dynamodb.read.DynamoDBInputFormat
import org.Apache.hadoop.dynamodb.write.DynamoDBOutputFormat
import org.Apache.hadoop.mapred.JobConf
import org.Apache.hadoop.io.LongWritable

object Tester {

  // {S: 298905396168806365,} 
  def extractValue : (String => String) = (aws:String) => {
    val pat_value = "\\s(.*),".r

    val matcher = pat_value.findFirstMatchIn(aws)
                matcher match {
                case Some(number) => number.group(1).toString
                case None => ""
        }
  }


   def main(args: Array[String]) {
    val spark = SparkSession.builder().getOrCreate()
    val sparkContext = spark.sparkContext

      import spark.implicits._

      // UDF to extract Value from AttributeValue 
      val col_extractValue = udf(extractValue)

  // Configure connection to DynamoDB
  var jobConf_add = new JobConf(sparkContext.hadoopConfiguration)
      jobConf_add.set("dynamodb.input.tableName", "MyTable")
      jobConf_add.set("dynamodb.output.tableName", "MyTable")
      jobConf_add.set("mapred.output.format.class", "org.Apache.hadoop.dynamodb.write.DynamoDBOutputFormat")
      jobConf_add.set("mapred.input.format.class", "org.Apache.hadoop.dynamodb.read.DynamoDBInputFormat")


      // org.Apache.spark.rdd.RDD[(org.Apache.hadoop.io.Text, org.Apache.hadoop.dynamodb.DynamoDBItemWritable)]
      var hadooprdd_add = sparkContext.hadoopRDD(jobConf_add, classOf[DynamoDBInputFormat], classOf[Text], classOf[DynamoDBItemWritable])

      // Convert HadoopRDD to RDD
      val rdd_add: RDD[(String, String)] = hadooprdd_add.map {
      case (text, dbwritable) => (dbwritable.getItem().get("PIN").toString(), dbwritable.getItem().get("Address").toString())
      }

      // Convert RDD to DataFrame and extract Values from AttributeValue
      val df_add = rdd_add.toDF()
                  .withColumn("PIN", col_extractValue($"_1"))
                  .withColumn("Address", col_extractValue($"_2"))
                  .select("PIN","Address")
   }
}

DataFrameをDynamoDBに書き込む

Stackoverflowなどの多くの回答は、 ブログ投稿 と emr-dynamodb-hadoop github のみを指します。これらのリソースはどれも実際にDynamoDBへの書き込み方法を示していません。

変換しようとしました my DataFrame to RDD[Row]失敗しました。

df_add.rdd.saveAsHadoopDataset(jobConf_add)

このDataFrameをDynamoDBに書き込む手順は何ですか？ （overwriteとputItemを制御する方法を教えてくれた場合のボーナスポイント;）

注意： df_addのスキーマはDynamoDBのMyTableと同じです。

[〜＃〜] edit [〜＃〜]：私は この回答 からの推奨事項に従っており、この投稿をポイントしていますon sing Spark SQL for ETL を使用：

// Format table to DynamoDB format
  val output_rdd =  df_add.as[(String,String)].rdd.map(a => {
    var ddbMap = new HashMap[String, AttributeValue]()

    // Field PIN
    var PINValue = new AttributeValue() // New AttributeValue
    PINValue.setS(a._1)                 // Set value of Attribute as String. First element of Tuple
    ddbMap.put("PIN", PINValue)         // Add to HashMap

    // Field Address
    var AddValue = new AttributeValue() // New AttributeValue
    AddValue.setS(a._2)                 // Set value of Attribute as String
    ddbMap.put("Address", AddValue)     // Add to HashMap

    var item = new DynamoDBItemWritable()
    item.setItem(ddbMap)

    (new Text(""), item)
  })             

  output_rdd.saveAsHadoopDataset(jobConf_add)

しかし、今私はJava.lang.ClassCastException: Java.lang.String cannot be cast to org.Apache.hadoop.io.Textドキュメントに従っているにもかかわらず...何か提案はありますか？

EDIT 2： sing Spark SQL for ETL ：

DataFrameを取得したら、変換を実行して、DynamoDBカスタム出力形式が書き込む方法を認識しているタイプと一致するRDDを取得します。カスタム出力形式では、TextおよびDynamoDBItemWritableタイプを含むタプルが必要です。

これを考慮に入れて、以下のコードは、AWSブログ投稿が示唆するとおりですが、output_df rddとして使用しない場合、saveAsHadoopDatasetは機能しません。そして今、私はException in thread "main" scala.reflect.internal.Symbols$CyclicReference: illegal cyclic reference involving object InterfaceAudience。私はロープの端にいます！

      // Format table to DynamoDB format
  val output_df =  df_add.map(a => {
    var ddbMap = new HashMap[String, AttributeValue]()

    // Field PIN
    var PINValue = new AttributeValue() // New AttributeValue
    PINValue.setS(a.get(0).toString())                 // Set value of Attribute as String
    ddbMap.put("PIN", PINValue)         // Add to HashMap

    // Field Address
    var AddValue = new AttributeValue() // New AttributeValue
    AddValue.setS(a.get(1).toString())                 // Set value of Attribute as String
    ddbMap.put("Address", AddValue)     // Add to HashMap

    var item = new DynamoDBItemWritable()
    item.setItem(ddbMap)

    (new Text(""), item)
  })             

  output_df.rdd.saveAsHadoopDataset(jobConf_add)
scalaapache-sparkamazon-dynamodbamazon-emr
8
Béatrice Moissinac

「Spark SQL for ETL」リンクを使用していて、同じ「違法な循環参照」例外が見つかりました。その例外の解決策は非常に簡単です（ただし、計算に2日かかります）以下のように、重要な点は、データフレーム自体ではなく、データフレームのRDDでマップ機能を使用することです。

val ddbConf = new JobConf(spark.sparkContext.hadoopConfiguration)
ddbConf.set("dynamodb.output.tableName", "<myTableName>")
ddbConf.set("dynamodb.throughput.write.percent", "1.5")
ddbConf.set("mapred.input.format.class", "org.Apache.hadoop.dynamodb.read.DynamoDBInputFormat")
ddbConf.set("mapred.output.format.class", "org.Apache.hadoop.dynamodb.write.DynamoDBOutputFormat")


val df_ddb =  spark.read.option("header","true").parquet("<myInputFile>")
val schema_ddb = df_ddb.dtypes

var ddbInsertFormattedRDD = df_ddb.rdd.map(a => {
    val ddbMap = new HashMap[String, AttributeValue]()

    for (i <- 0 to schema_ddb.length - 1) {
        val value = a.get(i)
        if (value != null) {
            val att = new AttributeValue()
            att.setS(value.toString)
            ddbMap.put(schema_ddb(i)._1, att)
        }
    }

    val item = new DynamoDBItemWritable()
    item.setItem(ddbMap)

    (new Text(""), item)
}
)

ddbInsertFormattedRDD.saveAsHadoopDataset(ddbConf)
6
Averell

Spark用のDynamoDBカスタムデータソースを作成しました。

https://github.com/audienceproject/spark-dynamodb

エレガントな機能がたくさんあります：

  • 遅延評価による分散並列スキャン
  • プロビジョニングされたテーブル/インデックス容量のターゲット部分のレート制限によるスループット制御
  • ニーズに合わせたスキーマ検出
  • 動的推論
  • ケースクラスの静的分析
  • カラムとフィルターのプッシュダウン
  • グローバルセカンダリインデックスのサポート
  • サポートを書く

これは間違いなくあなたのユースケースに合うと思います。あなたがそれをチェックアウトして、フィードバックを提供することができれば私達は大好きです。

5
Ana Todor

これはやや簡単な作業例です。

Hadoop RDDを使用したKinesis StreamからDynamoDBへの書き込みの例：-

https://github.com/kali786516/Spark2StructuredStreaming/blob/master/src/main/scala/com/dataframe/part11/kinesis/consumer/KinesisSaveAsHadoopDataSet/TransactionConsumerDstreamToDynamoDBHadoopDataSet.scala

Hadoop RDDを使用してDynamoDBから読み取る場合、およびspark SQLを正規表現なしで使用する場合。

val ddbConf = new JobConf(spark.sparkContext.hadoopConfiguration)
    //ddbConf.set("dynamodb.output.tableName", "student")
    ddbConf.set("dynamodb.input.tableName", "student")
    ddbConf.set("dynamodb.throughput.write.percent", "1.5")
    ddbConf.set("dynamodb.endpoint", "dynamodb.us-east-1.amazonaws.com")
    ddbConf.set("dynamodb.regionid", "us-east-1")
    ddbConf.set("dynamodb.servicename", "dynamodb")
    ddbConf.set("dynamodb.throughput.read", "1")
    ddbConf.set("dynamodb.throughput.read.percent", "1")
    ddbConf.set("mapred.input.format.class", "org.Apache.hadoop.dynamodb.read.DynamoDBInputFormat")
    ddbConf.set("mapred.output.format.class", "org.Apache.hadoop.dynamodb.write.DynamoDBOutputFormat")
    //ddbConf.set("dynamodb.awsAccessKeyId", credentials.getAWSAccessKeyId)
    //ddbConf.set("dynamodb.awsSecretAccessKey", credentials.getAWSSecretKey)


val data = spark.sparkContext.hadoopRDD(ddbConf, classOf[DynamoDBInputFormat], classOf[Text], classOf[DynamoDBItemWritable])

val simple2: RDD[(String)] = data.map { case (text, dbwritable) => (dbwritable.toString)}

spark.read.json(simple2).registerTempTable("gooddata")

spark.sql("select replace(replace(split(cast(address as string),',')[0],']',''),'[','') as housenumber from gooddata").show(false)
0
sri hari kali charan Tummala