从spark写入elasticsearch非常慢

Question

我正在处理一个文本文件，并将转换后的行从Spark应用程序写入弹性搜索

input.write.format("org.elasticsearch.spark.sql")
      .mode(SaveMode.Append)
      .option("es.resource", "{date}/" + dir).save()

这运行速度非常慢，大约需要8分钟才能写入287.9 MB / 1513789条记录。

如果网络延迟始终存在，我如何调整spark和elasticsearch设置以使其更快。

我在本地模式下使用spark，有16个内核和64GB RAM。我的elasticsearch集群有一个主节点和3个数据节点，每个节点有16个核心和64GB。

我正在阅读如下文本文件

 val readOptions: Map[String, String] = Map("ignoreLeadingWhiteSpace" -> "true",
  "ignoreTrailingWhiteSpace" -> "true",
  "inferSchema" -> "false",
  "header" -> "false",
  "delimiter" -> "\t",
  "comment" -> "#",
  "mode" -> "PERMISSIVE")

....

val input = sqlContext.read.options(readOptions).csv(inputFile.getAbsolutePath)

Answer 1

首先，让我们从您的应用程序中发生的事情开始。 Apache Spark正在读取压缩的1（不是那么大）csv文件。因此，第一个spark将花费时间解压缩数据并在将其写入elasticsearch之前对其进行扫描。

这将创建一个Dataset / DataFrame与一个分区（由评论中提到的df.rdd.getNumPartitions的结果确认）。

一个直接的解决方案是repartition你的数据读取和缓存它，然后写入elasticsearch。现在我不确定您的数据是什么样的，因此决定分区数量是您的基准。

val input = sqlContext.read.options(readOptions)
                      .csv(inputFile.getAbsolutePath)
                      .repartition(100) // 100 is just an example
                      .cache

我不确定您的应用程序会带来多大好处，因为我相信可能存在其他瓶颈（网络IO，ES的磁盘类型）。

PS：在构建ETL之前，我应该将csv转换为镶木地板文件。这里有真正的性能提升。 （个人意见和基准）

另一种可能的优化是调整elasticsearch-spark连接器的es.batch.size.entries设置。默认值为1000。

设置此参数时需要小心，因为您可能会使elasticsearch超载。我强烈建议你看看可用的配置here。

我希望这有帮助 ！