ワーカーの助けを借りてSparkから巨大なMongoDBコレクションを読む

MongoDBからApacheSparkにデータを取得する方法は2つあります。

方法1：Casbah（MongDB Javaドライバーのレイヤー）を使用する

val uriRemote = MongoClientURI("mongodb://RemoteURL:27017/")
val mongoClientRemote =  MongoClient(uriRemote)
val dbRemote = mongoClientRemote("dbName")
val collectionRemote = dbRemote("collectionName")
val ipMongo = collectionRemote.find
val ipRDD = sc.makeRDD(ipMongo.toList)
ipRDD.saveAsTextFile("hdfs://path/to/hdfs")

ここでは、ScalaとCasbahを使用して最初にデータを取得し、次にそれをHDFSに保存しています。

方法2：使用中のSparkワーカー

コードのより良いバージョン：Sparkワーカーとマルチコアを使用してデータを短時間で取得するために使用します。

val config = new Configuration()
config.set("mongo.job.input.format","com.mongodb.hadoop.MongoInputFormat")
config.set("mongo.input.uri", "mongodb://RemoteURL:27017/dbName.collectionName")
val keyClassName = classOf[Object]
val valueClassName = classOf[BSONObject]
val inputFormatClassName = classOf[com.mongodb.hadoop.MongoInputFormat]
val ipRDD = sc.newAPIHadoopRDD(config,inputFormatClassName,keyClassName,valueClassName)
ipRDD.saveAsTextFile("hdfs://path/to/hdfs")