大数据处理引擎Apache Spark与Mongodb相结合，构建一个复杂的实时分析系统。通过spark-mongodb连接器可以将spark与mongodb数据库连接起来。
1.前提
- 安装并运行Mongodb
- Spark 2.1
- Scala 2.11
2.安装MongoDB（通过yum安装）
2.1配置yum源
vim /etc/yum.repos.d/mongodb-org-3.4.repo
添加以下内容：
[mongodb-org-3.4]
name=MongoDB Repository
baseurl=https://repo.mongodb.org/yum/redhat/$releasever/mongodb-org/3.4/x86_64/
gpgcheck=1
enabled=1
gpgkey=https://www.mongodb.org/static/pgp/server-3.4.asc
2.2安装
yum install -y mongodb-org
安装过程中出现验证错误的情况，则取消gpgcheck的验证。修改mongodb-org-3.4.repo文件后重新安装：
//取消验证
gpgcheck=0
2.3yum安装后的文件位置
安装完后配置文件在：/etc/mongod.conf
数据文件在：/var/lib/mongo
日志文件在：/var/log/mongodb
2.4启动服务
// 启动
systemctl start mongod.service
// 检查是否启动
systemctl status mongod.service
// 关闭
systemctl stop mongod.service
// 重启服务
systemctl restart mongod.service
// 设置开机启动
systemctl enable mongod.service
2.5访问权限控制
MongoDB服务默认只绑定在本机IP上，即只有本机才能访问MongoDB，我们可以修改访问权限控制让外网也能访问。
修改配置文件/etc/mongod.conf将其中的bindip:127.0.0.1注释即可。
2.6进入mongodb命令行
3.运行mongo-spark
本文使用mongodb官方的MongoDB Connector for Apache Spark，先下载MongoDB Connector for Apache Spark ，MongoDB Connector for Apache Spark的使用方法非常简单，到spark的安装的bin目录下执行下面语句:
按照官方文档启动Spark Connector Scala Guide
./spark-shell --conf "spark.mongodb.input.uri=mongodb://localhost:27017/test.test?authSource=admin" --conf "spark.mongodb.output.uri=mongodb://localhost:27017/test.test?authSource=admin" --packages org.mongodb.spark:mongo-spark-connector_2.10:2.2.1
//test是数据库名称。myCollection是集合名称
//读配置
The spark.mongodb.input.uri specifies the MongoDB server address (127.0.0.1), the database to connect (test), and the collection (myCollection) from which to read data, and the read preference.
//写配置
The spark.mongodb.output.uri specifies the MongoDB server address (127.0.0.1), the database to connect (test), and the collection (myCollection) to which to write data. Connects to port 27017 by default.
//这里mongo-spark的包的要换成对应的版本号
The packages option specifies the Spark Connector’s Maven coordinates, in the format groupId:artifactId:version.
4.运行实例
导入MongoDB连接包
import com.mongodb.spark._
在读写mongodb数据库时会自动连接mongodb。
import org.bson.Document
使用Datasets and SQL,对mongodb数据库进行增删改查。
import org.apache.spark.sql.SparkSession
val sparkSession = SparkSession.builder().master("local").appName("MongoSparkConnectorIntro").config("spark.mongodb.input.uri", "mongodb://127.0.0.1/test.test").config("spark.mongodb.output.uri", "mongodb://127.0.0.1/test.test").getOrCreate()
import com.mongodb.spark._
import org.bson.Document
val df = MongoSpark.load(sparkSession)
df.printSchema()
在Spark使用结束时，务必使用 :quit退出。否则将导致错误。
5.MongoDB的基本操作
传统数据库与Mongodb数据库结构区别图
创建数据库
// 如果数据库不存在则创建，否则切换到指定数据库(当没有进行操作然后离开的时候会自动删除该数据库)
use DATABASE_NAME
db 查看当前数据库名
show dbs 查看所有数据库
show tables 查看集合
删除数据库
db.dropDatabase() 删除当前数据库
db.collection.drop() 删除集合，collection为集合名，例db.student.drop()
创建集合
>db.test.insert({"id":"1002",
"name": "lisi",
})
test是我们的集合名，如果该集合不在数据库中，Mongodb会自动创建该集合并插入文档。
//查看已插入的文档
db.test.find();
删除集合
db.test.drop();
插入文档
//单条文档插入
>db.test.insert({"id":10,"name":"zhangsan"})
//循环批量插入文档
>for(var i=1;i<=20;i++) {db.users.insert({"id":10,"name":"zhangsan"})}
更新文档
update()方法
db.collection.update(
<query>, // 查询条件
<update>, //update的对象和一些更新的操作符
{
upsert: <boolean>, // 如果不存在update的记录，是否插入objNew,true为插入，默认是false，不插入
multi: <boolean>, // mongodb 默认是false,只更新找到的第一条记录，如果这个参数为true,就把按条件查出来多条记录全部更新。
writeConcern: <document> // 可选，抛出异常的级别
}
)
所有修改器包括：
$set 对某一个键值进行修改，如果没有就添加 ex:db.person.update({_id:1},{$set:{name:"lwd"}})
$inc 只使用于数值类型，对其进行加减操作 ex:db.person.update({_id:1},{$inc:{id:1}})
$unset 删除某指定的键 ex:db.person.update({_id:1},{$unset{id:1}})
$push 只使用于数组类型，在数组里面加值 ex:db.person.update({_id=1},{$push:{class:"1"}})
$pushAll 只使用于数组类型，批量在数组价值 ex:db.person.update({_id=1},{$pullAll:class:["1","2","3"]})
$addToSet 只使用于数组类型，当没有的时候才会进行操作 ex:db.person.update({_id=1},{$addToSet:{name:"lwd"}})
$pop 只使用于数组，删除某一个元素-1为第一个 1为最后一个 ex:db.person.update({_id=1},{$pop:{name:1}})
$pull 删除某一个元素 直接写要删除的东西 ex:db.person.update({_id=1},{$pull:{name:"lwd"}})
$pullAll 一次性删除某元素 ex:db.person.update({_id:1},{$pullAll:{class:["1","2"]}})
$addToSet与$each批量数组更新 ex: db.person.update({_id:1},{$adaToSet:{class:{$each:["1","2","3"]}}})
例子
db.test.update({"name":"lisi"},{$set:{"name":"wangwu"}})
以上语句只会修改第一条发现的文档，如果你要修改多条相同的文档，则需要设置multi参数为true
save()方法
db.collection.save(
<document>, // 传入文档用来替换之前的文档
{
writeConcern: <document>
}
)
//实例
db.test.save(
{"id":"1003","name":"zhaoliu"}
)
save()方法与insert的区别：
save()方法可以插入相同的id的数据（id为系统自动生成的那个_id），而insert插入会出错。
删除文档
remove：删除表中的记录（根据条件删除）
db.collection.remove(
<query>, // 可选，删除的文档的条件
{
justOne:<boolean>, // 可选，如果为true或1，则只删除一个文档
writeConcern: <document> // 可选，抛出异常级别
}
)
例子
db.test.remove({"id":"1003"})
db.test.remove({}) 删除所有数据
查询文档
db.test.find() 查看已插入的文档
db.test.find().pretty() 输出好看的格式
db.test.findOne() 只返回一个文档，一般是返回第一个文档
指定返回的键：db.文档名.find({条件},{键指定})
条件操作符
(>) 大于 – $gt
(<) 小于 – $lt
(>=) 大于等于 – $gte
(<= ) 小于等于 – $lte
db.test.find({"id" : {$gt : "1002"}}) 查找likes大于100的数据
AND条件
传入多个键值然后逗号隔开
db.test.find({key1: value1, key2: value2}).pretty()
db.test.find({"id":"1002","name":"wangwu"})
OR条件
>db.test.find({$or:[{"id":"1002"}, {"name":"jerry"}]}).pretty()
limit and skip
db.test.find().limit(2) 只读取两条
db.test.find().limit(1).skip(1) 跳过第一条，只显示第二条
skip默认为0
sort()方法
1升序，-1降序
db.test.find().sort({"id": 1})
//第一个括弧中时查询条件，第二个括弧中显示内容：1会显示出来字段，0不会显示字段
db.test.find({}, {"id": 1, "_id": 0}).sort({"id": -1})
参考资料
https://www.mongodb.com/products/spark-connector
https://docs.mongodb.com/spark-connector/current/
https://university.mongodb.com/activate?key=03adb7a09af048bdb68e9703bb11c512&utm_campaign=verification&utm_medium=email&utm_source=university
https://github.com/mongodb/mongo-spark?jmp=hero
http://blog.csdn.net/chenguohong88/article/details/77850882
http://www.36dsj.com/archives/80662
