Как подключить блоки данных Azure к базе данных Cosmos DB с помощью API MongoDB?

Question

Я создал одну учетную запись Azure CosmosDB, используя MongoDB API. Мне нужно подключить CosmosDB(API MongoDB) к кластеру Azure Databricks для чтения и записи данных из космоса.

Как подключить кластер Azure Databricks к учетной записи CosmosDB?

Answer 1

Вот фрагмент кода pyspark, который я использую для подключения к базе данных CosmosDB с помощью API MongoDB из блоков данных Azure (5.2 ML Beta (включает Apache Spark 2.4.0, Scala 2.11) и соединителя MongoDB: org.mongodb.spark:mongo-spark- соединитель_2.11:2.4.0):

from pyspark.sql import SparkSession

my_spark = SparkSession \
    .builder \
    .appName("myApp") \
    .getOrCreate()

df = my_spark.read.format("com.mongodb.spark.sql.DefaultSource") \
  .option("uri", CONNECTION_STRING) \
  .load()

С CONNECTION_STRING, который выглядит так: "mongodb: // USERNAME: [e-mail]: 10255 /DATABASE_NAME.COLLECTION_NAME? Ssl=true&replicaSet=globaldb"

Я пробовал множество других вариантов (добавление имен баз данных и коллекций в качестве опции или конфигурации SparkSession), но безуспешно. Скажи мне, если это работает для тебя...

Answer 2

Вы пробовали разъем Spark? https://docs.databricks.com/spark/latest/data-sources/azure/cosmosdb-connector.html

Я использовал это для чтения / записи данных в прошлом без проблем - это должно работать независимо от API. Удаление данных является более сложным. Вам нужно использовать библиотеку Python.

Answer 3

После добавления org.mongodb.spark:mongo-spark-connector_2.11:2.4.0 пакет, это сработало для меня:

import json

query = {
  '$limit': 100,
}

query_config = {
  'uri': 'myConnectionString'
  'database': 'myDatabase',
  'collection': 'myCollection',
  'pipeline': json.dumps(query),
}

df = spark.read.format("com.mongodb.spark.sql") \
  .options(**query_config) \
  .load()

Я, однако, получаю эту ошибку с некоторыми коллекциями:

org.apache.spark.SparkException: Job aborted due to stage failure: Task 0 in stage 1.0 failed 4 times, most recent failure: Lost task 0.3 in stage 1.0 (TID 4, 10.139.64.6, executor 0): com.mongodb.MongoInternalException: The reply message length 10168676 is less than the maximum message length 4194304

Answer 4

Отвечая так же, как и на свой вопрос.

Используя MAVEN в качестве источника, я установил нужную библиотеку в свой кластер, используя путь

org.mongodb.spark:mongo-spark-connector_2.11:2.4.0

Искра 2.4

Пример кода, который я использовал, выглядит следующим образом (для тех, кто хочет попробовать):

# Read Configuration
readConfig = {
    "URI": "<URI>",
    "Database": "<database>",
    "Collection": "<collection>",
  "ReadingBatchSize" : "<batchSize>"
  }


pipelineAccounts = "{'$sort' : {'account_contact': 1}}"

# Connect via azure-cosmosdb-spark to create Spark DataFrame 
accountsTest = (spark.read.
                 format("com.mongodb.spark.sql").
                 options(**readConfig).
                 option("pipeline", pipelineAccounts).
                 load())

accountsTest.select("account_id").show()