task是Spark执行任务的最小单元，如果task失败了，当前task需要整个重新执行。所以，当我们重新执行写入操作（图2），并最终重试成功之后（这次用红色来表示相同的1000万条数据），上一次失败留下的500万条数据依然存在（蓝色的线），变成脏数据。脏数据对数据计算的正确性带来了很严重的影响。因此，我们需要探索一种方法，能够实现Spark写入es数据的可靠性与正确性。
解决方案
1.写覆盖
从上图中，我们可以很直观的看出来，每次task插入数据前，先将es的index中的数据都清空就可以了。那么，每次写入操作可以看成是以下3个步骤的组合：
步骤一判断当前index中是否有数据
步骤二清空当前index中的数据
步骤三向index中写入数据
换一种角度，我们可以理解为，不管之前是否执行了数据写入，也不管之前数据写入了多少次，我们只想要保证当前这一次写入能够独立且正确地完成，这种思想我们称为幂等。
幂等式写入是大数据sink算子解决一致性问题的一种常见思路，另一种说法叫做最终一致性，其中最简单的做法就是“insertoverwrite”。当Spark数据写入es失败并尝试重新执行的时候，利用覆盖式写入，可以将index中的残留数据覆盖掉。
在DLI中，可以在DataFrame接口里将mode设置成“overwrite”来实现覆盖写es：
复制代码
valdfWriter=sparkSession.createDataFrame(rdd,schema)
//
//写入数据至es
//
dfWriter.write
.format("es")
.option("es.resource",resource)
.option("es.nodes",nodes)
.mode(SaveMode.Overwrite)
.save()
复制代码
也可以直接使用sql语句：
//插入数据至es
sparkSession.sql("insertoverwritetablees_tablevalues(1,'John'),(2,'Bob')")
2.最终一致性
利用上述“overwrite”的方式解决容错问题有一个很大的缺陷。如果es已经存在了正确的数据，这次只是需要追加写入。那么overwrite会把之前index的正确的数据都覆盖掉。
比如说，有多个task并发执行写入数据的操作，其中一个task执行失败而其他task执行成功，重新执行失败的task进行“overwrite”会将其他已经成功写入的数据覆盖掉。再比如说，Streaming场景中，每一批次数据写入都变成覆盖，这是不合理的方式。
其实，我们想做的事情，只是清理脏数据而不是所有index中的数据。因此，核心问题变成了如何识别脏数据？借鉴其他数据库解决方案，我们似乎可以找到方法。在MySQL中，有一个insertignoreinto的语法，如果遇到主键冲突，能够单单对这一行数据进行忽略操作，而如果没有冲突，则进行普通的插入操作。这样就可以将覆盖数据的力度细化到了行级别。
es中有类似的功能么？假如es中每一条数据都有主键，主键冲突时可以进行覆盖（忽略和覆盖其实都能解决这个问题），那么在task失败重试时，就可以仅针对脏数据进行覆盖。
我们先来看一下Elasticsearch中的概念与关系型数据库之间的一种对照关系：
我们知道，MySQL中的主键是对于一行数据（Row）的唯一标识。从表中可以看到，Row对应的就是es中的Document。那么，Document有没有唯一的标识呢？
答案是肯定的，每一个Document都有一个id，即doc_id。doc_id是可配置的，index、type、doc_id三者指定了唯一的一条数据（Document）。并且，在插入es时，index、type、doc_id相同，原先的document数据将会被覆盖掉。因此，doc_id可以等效于“MySQL主键冲突忽略插入”功能，即“doc_id冲突覆盖插入”功能。
因此，DLI的SQL语法中提供了配置项“es.mapping.id”，可以指定一个字段作为Documentid，例如：
createtablees_table(idint,namestring)usingesoptions(
'es.nodes''localhost:9200',
'es.resource''/mytest/anytype',
'es.mapping.id''id')")
这里指定了字段“id”作为es的doc_id，当插入数据时，字段“id”的值将成为插入Document的id。值得注意的是，“id”的值要唯一，否则相同的“id”将会使数据被覆盖。
这时，如果遇到作业或者task失败的情况，直接重新执行即可。当最终作业执行成功时，es中将不会出现残留的脏数据，即实现了最终一致性。
总结
本文可以一句话总结为“利用doc_id实现写入es的最终一致性”。而这种问题，实际上不需要如此大费周章的探索，因为在es的原生API中，插入数据是需要指定doc_id，这应该是一个基本常识。
图es使用bulk接口进行数据写入
权当消遣，聊以慰藉。
得益于Base理论，最终一致性成为分布式计算中重要的解决方案之一。尽管该解决方案还有一定的限制（比如本文的解决方案中数据必须使用主键），而业界还有很多分布式一致性的解决方案（比如2PC、3PC）。但个人认为，衡量工作量与最终效果，最终一致性是一种很有效且很简约的解决方案。
扩展阅读：ElasticsearchDatasource
简介
Datasource是ApacheSpark提供的访问外部数据源的统一接口。Spark提供了SPI机制对Datasource进行了插件式管理，可以通过Spark的Datasource模块自定义访问Elasticsearch的逻辑。
华为云DLI（数据湖探索）服务已完全实现了esdatasource功能，用户只要通过简单的SQL语句或者SparkDataFrameAPI就能实现Spark访问es。
功能描述
通过Spark访问es，可以在DLI官方文档中找到详细资料：https://support.huaweicloud.com/usermanual-dli/dli_01_0410.html。（Elasticsearch是由华为云CSS云搜索服务提供）。
可以使用SparkDataFrameAPI方式来进行数据的读写：
复制代码
//
//初始化设置
//
//设置es的/index/type（es6.x版本不支持同一个index中存在多个type，7.x版本不支持设置type）
valresource="/mytest/anytype";
//设置es的连接地址(格式为”node1:port,node2:port...”,因为es的replica机制,即使访问es集群,只需要配置一个地址即可.)
valnodes="localhost:9200"
//构造数据
valschema=StructType(Seq(StructField("id",IntegerType,false),StructField("name",StringType,false)))
valrdd=sparkSession.sparkContext.parallelize(Seq(Row(1,"John"),Row(2,"Bob")))
valdfWriter=sparkSession.createDataFrame(rdd,schema)
//
//写入数据至es
//
dfWriter.write
.format("es")
.option("es.resource",resource)
.option("es.nodes",nodes)
.mode(SaveMode.Append)
.save()
//
//从es读取数据
//
valdfReader=sparkSession.read.format("es").option("es.resource",resource).option("es.nodes",nodes).load()
dfReader.show()
复制代码
也可以使用SparkSQL来访问：
复制代码
//创建一张关联es/index/type的Spark临时表,该表并不存放实际数据
valsparkSession=SparkSession.builder().getOrCreate()
sparkSession.sql("createtablees_table(idint,namestring)usingesoptions(
'es.nodes''localhost:9200',
'es.resource''/mytest/anytype')")
//插入数据至es
sparkSession.sql("insertintoes_tablevalues(1,'John'),(2,'Bob')")
//从es中读取数据
valdataFrame=sparkSession.sql("select*fromes_table")
dataFrame.show()
