mongodb - 将数据从mongodb迁移到hdfs

Question

我是数据工程的新手。我正在尝试为大数据项目设置环境。截至目前，我已经安装了 hadoop、mongodb、hive 和 spark。现在我想尝试模拟以查看 mongodb 和 hadoop 之间的交互。我的 mongodb 中已经有数据。所以我想将数据迁移到 hadoop hdfs 中。是否可以？我读了很多关于它的解释，但不明白迁移的想法。任何人都可以用简单的方式解释如何做吗？因为我是这个领域的初学者。

Answer 1

如果您已经在 Mongo 中有数据，我建议使用 SparkSQL with Mongo 加载您集合的 DataFrame 对象，我们称它为 df。

例如

SparkSession spark = SparkSession.builder()
  .master("local")
  .appName("MongoSparkConnectorIntro")
  .config("spark.mongodb.input.uri", "mongodb://127.0.0.1/test.myCollection")
  .config("spark.mongodb.output.uri", "mongodb://127.0.0.1/test.myCollection")
  .getOrCreate();

// Create a JavaSparkContext using the SparkSession's SparkContext object
JavaSparkContext jsc = new JavaSparkContext(spark.sparkContext());

// Load data and infer schema, disregard toDF() name as it returns Dataset
Dataset<Row> df = MongoSpark.load(jsc).toDF();

然后您可以使用 df.write.save, which defaults to parquet output format 或 df.write.saveAsTable(对于 Spark Hive 表)或 df.sql("INSERT INTO TABLE . ..)(原始 Hive 表)。引用 - SparkSQL Hive docs

---

注意:这是一次性加载...如果您想将所有插入和更改从 Mongo 流式传输到 Hadoop，您可以使用 Debezium w/Kafka，例如，然后使用 Debezium 集群来运行一个HDFS Kafka Connect Sink(集成了 Hive)