本文共 4123 字，大约阅读时间需要 13 分钟。
在elasticsearch-hadoop的具体使用中碰到了几个问题，有必要记录一下，避免下次遇到时又要重新研究。
import org.elasticsearch.spark.sql._val esOptions = Map("es.nodes"->"192.168.1.2,192.168.1.3", "es.scroll.size"->"1000", "es.field.read.as.array.include"->"SampleField")val esDF = sqlContext.read.format("org.elasticsearch.spark.sql").options(esOptions).load("sampleindex/es-spark")esDF.registerTempTable("esdemotbl") es.scroll.size 一次性读入的记录数，默认是10, 如果不设置为大一点的值，要从es中读取1亿条数据，那将是一个漫长的过程
es.field.read.as.array.include 有的字段在es中是以string类型存储，但其中包含逗号(,), spark默认认为这是数组类型，如果读取这种字段的话，就会报错，怎么办，那就用es.field.read.as.array.include来显式指明
spark读取es中数据的时候，partition数目取决于es中指定index的shard数目，为了获得比较高的并发读取性能，建议适当设置shard数目，为什么是适当，因为具体取决于集群规模等多种因素。
在hive中，字段名是_大小写不敏感_的, 但在ES中是大小写敏感的
你说，这又怎么样。 呵呵， 这意味着不做特殊处理，永远无法读出es中大写字段名的内容，你看到的将是满屏的_NULL_
这该怎么破，很简单，指定 es.mapping.names
比如在es中，字段名为DemoField, 要读出其中的内容，hive表的字义就该这样写
create external table es_demo_tbl(demofield string) STORED BY 'org.elasticsearch.hadoop.hive.EsStorageHandler'TBLPROPERTIES('es.nodes'='192.168.1.2,192.168.1.3', 'es.resource'='demoindex/sample','es.mapping.names'='demofield:DemoField') 注意是先hive中的字段名，然后是es中的字段名
规划一个可用于生产环境的elasticsearch集群。
整个集群的节点分为以下三种主要类型
一个合理的集群应该包含三个master nodes, 1到多个data nodes, 最少一个client node
通用配置，以centos为例，使用rpm安装包
sudo rpm -ivh elasticsearch-version.rpmsudo chkconfig --add elasticsearch
修改/etc/sysconfig/elasticsearch, 修改ES_HEAP_SIZE和JAVA_OPTS的内容，注意elasticsearch建议使用的最大内存是32G，
ES_HEAP_SIZE=32gJAVA_OPTS="-Xms32g"
修改/etc/security/limits.conf, 添加如下内容
* hard memlock unlimited* soft memlock unlimited
/etc/elasticsearch/elasticsearch.yml 内容配置
node.master: truenode.data: falsediscovery.zen.ping.unicast.hosts: ["master1","master2","master3"]network.host: ${HOSTNAME} node.master: falsenode.data: truediscovery.zen.ping.unicast.hosts: ["master1","master2","master3"]network.host: ${HOSTNAME} 如果为elasticsearch配置了多块硬盘，可以修改 DATA_DIR 的值，多个目录使用逗号(,)分开
node.master: falsenode.data: falsediscovery.zen.ping.unicast.hosts: ["master1","master2","master3"]network.host: ${HOSTNAME} sudo service elasticsearch start
需要注意的是elasticsearch在centos中使用service elasticsearch restart有时不能达到效果，需要分开来做
sudo kill -9 `pgrep -f elasticsearch`sudo service elasticsearch start
为了记录针对集群的查询内容，建议使用nginx来做反向代理，nginx安装在client node上，conf.d/default.conf 最简单的配置如下
upstream elasticsearch { server 127.0.0.1:9200;}server { gzip on; access_log /var/log/nginx/access.log combined; listen 80 default_server; server_name _; #charset koi8-r; #access_log logs/host.access.log main; # Load configuration files for the default server block. include /etc/nginx/default.d/*.conf; location / { root /usr/share/nginx/html; index index.html index.htm; proxy_set_header Host $http_host; proxy_set_header X-Real-IP $remote_addr; proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for; proxy_set_header X-Forwarded-Proto $scheme; proxy_pass http://elasticsearch; } error_page 404 /404.html; location = /404.html { root /usr/share/nginx/html; } # redirect server error pages to the static page /50x.html error_page 500 502 503 504 /50x.html; location = /50x.html { root /usr/share/nginx/html; }} 建议安装如下插件
./elasticsearch/bin/plugin install lmenezes/elasticsearch-kopf/{branch|version} elasticsearch搜索功能强劲，就是查询语法复杂，presto提供了非常open的plugin机制，我改进了下原有的presto-elasticsearch connector，现发布于github
运行办法
在etc/catalog目录下添加es.properties即可，内容如下connector.name=elasticsearchelasticsearch-server=localhostelasticsearch-port=9300elasticsearch-clustername=elasticsearch_demo
时间仓促，错误在所难免，欢迎批评指正。
转载地址：http://kfhtx.baihongyu.com/