mongo spark加载数据不全的bug fix

最近开始做大数据,数据库mongodb,计算用的spark,加载数据用的mongo-spark connector官方连接器,mongo 在加载数据的时候也是懒加载,通过aggregate高性能管道去加载数据,提供了多个分区器用于加载数据,默认的是MongoSamplePartitioner,这些在官方文档上有的。
连接器使用的最新版2.2.0版本
https://docs.mongodb.com/spark-connector/current/

image.png

开始没有制定分区器,发现数据计算结果不准确.

        SparkSession session = SparkSession.builder().master("local").appName("MongoSparkJob." + appName + ".mrStage")
                .config(KEY_SPARK_MONGODB_INPUT_URI, "mongodb://" + srcMongoUri)
                .config(KEY_SPARK_MONGODB_OUTPUT_URI, "mongodb://" + dstMongoUri)
                .getOrCreate();
        long start = System.currentTimeMillis();

        // Create a JavaSparkContext using the SparkSession's SparkContext
        JavaSparkContext jsc = new JavaSparkContext(session.sparkContext());
        String startTime = yearString + monthString + "00000000";
        String endime = yearString + monthString + "99000000";
        Document filterCondition = new Document().append(filterDateField,new Document("$gt",startTime).append("$lt",endime));
        ReadConfig readConfig = ReadConfig.create(session);
        long srcCount = MongoConnector.apply(readConfig.asOptions()).withCollectionDo(readConfig, Document.class,
                new Function<MongoCollection<Document>, Long>() {
                    /**    */
                    private static final long serialVersionUID = 1L;
                    @Override
                    public Long call(MongoCollection<Document> v1) throws Exception {
                        return v1.count(filterCondition);
                    }
                });
        System.out.println("count in db : "+srcCount);
/////  readConfig = readConfig.withOption("partitioner", MySamplePartitioner.class.getName());
        JavaMongoRDD<Document> mongoRdd = MongoSpark.load(jsc, readConfig);
        Document filterDoc = new Document("$match",filterCondition);
        JavaMongoRDD<Document> filterRdd = mongoRdd.withPipeline(Collections.singletonList(filterDoc));
        org.apache.spark.util.LongAccumulator counter = session.sparkContext().longAccumulator();
        filterRdd.foreach(new VoidFunction<Document>() {
            @Override
            public void call(Document document) throws Exception {
                counter.add(1);
            }
        });
        System.out.println("count by partitioner: "+counter.value());
count in db : 231560
count by partitioner: 222213

再往上查看原因,原来这个连接器加载数据就没有加载完全,而且每次加载的还不一样,然后一个个的分区器的试,只有MongoPaginateByCountPartitioner才加载了满足条件的全部数据,但是这个分区器,根据分区的个数,算出每个分区的条数numPerPartition后,再通过聚合命令 skip numPerPartition 来划定每个分区,数据量大的时候skip的性能很差,所以就自己研究源码一探究竟,所有分区器默认都是根据默认的_id分区,默认的分区器MongoSamplePartitioner加是通过聚合命令sort将_id 排序再用 sample命令 采样一定数量的_id,但是采样值没有包括满足条件中最小的_id 和最大的_id,因此两端的区间数据都没有加载出来才出现计算不准确,而且每次采样的也不一样才导致每次加载的数据量也有差异。

当然可以自己对MongoSamplePartitioner加以修改,再指定修改后分区器(配置写法如上段注释的代码),这样就加载正确了。后面才能愉快滴计算。

        val samples = connector.withCollectionDo(readConfig, {
            coll: MongoCollection[BsonDocument] =>
              coll.aggregate(List(
                Aggregates.`match`(matchQuery),
                Aggregates.sample(numberOfSamples),
                Aggregates.project(Projections.include(partitionKey)),
                Aggregates.sort(Sorts.ascending(partitionKey))
              ).asJava).allowDiskUse(true).into(new util.ArrayList[BsonDocument]()).asScala
          })
          val minKey = connector.withCollectionDo(readConfig, {
            coll: MongoCollection[BsonDocument] =>
              coll.aggregate(List(
                Aggregates.`match`(matchQuery),
                Aggregates.project(Projections.include(partitionKey)),
                Aggregates.sort(Sorts.ascending(partitionKey)),
                Aggregates.limit(1)
              ).asJava).allowDiskUse(true).into(new util.ArrayList[BsonDocument]()).asScala
          })
          val maxKey = connector.withCollectionDo(readConfig, {
            coll: MongoCollection[BsonDocument] =>
              coll.aggregate(List(
                Aggregates.`match`(matchQuery),
                Aggregates.project(Projections.include(partitionKey)),
                Aggregates.sort(Sorts.descending(partitionKey)),
                Aggregates.limit(1)
              ).asJava).allowDiskUse(true).into(new util.ArrayList[BsonDocument]()).asScala
          })
          def collectSplit(i: Int): Boolean = (i % samplesPerPartition == 0) || !matchQuery.isEmpty && i == count - 1
          val rightHandBoundaries = samples.zipWithIndex.collect {
            case (field, i)  if collectSplit(i)=> field.get(partitionKey)
          }
          val addMinMax = matchQuery.isEmpty
          rightHandBoundaries.insert(0,minKey.head.get(partitionKey))
          rightHandBoundaries.insert(rightHandBoundaries.size,maxKey.head.get(partitionKey))
          val partitions = PartitionerHelper.createPartitions(partitionKey, rightHandBoundaries, PartitionerHelper.locations(connector), addMinMax)
          if (!addMinMax) PartitionerHelper.setLastBoundaryToLessThanOrEqualTo(partitionKey, partitions)
          partitions
        }
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 159,835评论 4 364
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 67,598评论 1 295
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 109,569评论 0 244
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 44,159评论 0 213
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 52,533评论 3 287
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 40,710评论 1 222
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 31,923评论 2 313
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 30,674评论 0 203
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 34,421评论 1 246
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 30,622评论 2 245
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 32,115评论 1 260
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 28,428评论 2 254
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 33,114评论 3 238
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 26,097评论 0 8
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 26,875评论 0 197
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 35,753评论 2 276
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 35,649评论 2 271

推荐阅读更多精彩内容