使用 spark 和 kafka 进行 Twitter 流式传输：如何在 MongoDB 中存储数据

Question

我正在使用这个 python 代码收集 Twitter 流数据 https://github.com/sridharswamy/Twitter-Sentiment-Analysis-Using-Spark-Streaming-And-Kafka/blob/master/app.py

之后，我运行此代码来创建流式上下文并将数据存储在 MongoDB 中。

def main():

  conf = SparkConf().setMaster("local[2]").setAppName("Streamer")
  sc = SparkContext(conf=conf)
  ssc = StreamingContext(sc, 10)
  ssc.checkpoint("checkpoint")   
  kstream = KafkaUtils.createDirectStream(
  ssc, topics = ['topic1'], kafkaParams = {"metadata.broker.list": 
  'localhost:9092'})
  tweets = kstream.map(lambda x: x[1].encode("ascii", "ignore"))
  #................insert in MonGODB.........................
  db.mynewcollection.insert_one(tweets)
  ssc.start()
  ssc.awaitTerminationOrTimeout(100)
  ssc.stop(stopGraceFully = True)

if __name__=="__main__":
  urllib3.contrib.pyopenssl.inject_into_urllib3()
  connection = pymongo.MongoClient('....',...)
  db = connection['twitter1']
  db.authenticate('..','...')
  main()

但我收到了这个错误：

TypeError: document must be an instance of dict, bson.son.SON, bson.raw_bson.RawBSONDocument, or a type that inherits from collections.MutableMapping

我也尝试使用'foreachRDD'并创建函数'save'

tweets.foreachRDD(Save)

我将“插入”移到了这个函数中

def Save(rdd):
if not rdd.isEmpty():
    db.mynewcollection.insert_one(rdd)

但它不起作用

TypeError: can't pickle _thread.lock objects

谁能帮我知道如何在 MongoDB 中存储流数据

Answer 1

• 出现第一个错误是因为您将分布式对象传递给db.mynewcollection.insert_one。

• 第二个错误是因为你在驱动上初始化了数据库连接，一般情况下连接对象不能被序列化。

虽然存在许多 Spark / MongoDB 连接器，但您应该看看 (Getting Spark, Python, and MongoDB to work together) 一个通用模式是使用 foreachPartition。定义助手

def insert_partition(xs):
    connection = pymongo.MongoClient('....',...)
    db = connection['twitter1']
    db.authenticate('..','...')
    db.mynewcollection.insert_many(xs)

然后：

def to_dict(s):
    return ... # Convert input to a format acceptable by `insert_many`, for example with json.loads

tweets.map(to_dict) \
    .foreachRDD(lambda rdd: rdd.foreachPartition(insert_partition))