我正在使用Spark 1.3.1，我编写了一个小程序来过滤cassandra上的数据
val sc = new SparkContext(conf)
val rdd = sc.cassandraTable("foo", "bar")
val date = DateTime.now().minusHours(1)
val rdd2 = rdd.filter(r => r.getDate("date").after(date.toDate))
println(rdd2.count())
sc.stop()
此程序运行很长时间，打印消息，如
16/09/01 21:10:31 INFO Executor: Running task 46.0 in stage 0.0 (TID 46)
16/09/01 21:10:31 INFO TaskSetManager: Finished task 42.0 in stage 0.0 (TID 42) in 20790 ms on localhost (43/1350)
如果我终止程序并将我的代码更改为
val date = DateTime.now().minusHours(1)
val rdd2 = rdd.filter(r => r.getDate("date").after(date.toDate))
它仍然会在很长一段时间内运行
等消息6/09/01 21:14:01 INFO Executor: Running task 8.0 in stage 0.0 (TID 8)
16/09/01 21:14:01 INFO TaskSetManager: Finished task 4.0 in stage 0.0 (TID 4) in 19395 ms on localhost (5/1350)
所以看起来程序总是会尝试将整个cassandra表加载到内存中（或尝试完全扫描），然后才应用过滤器。这对我来说效率极低。
如何以更好的方式编写此代码，以便spark不会尝试将整个cassandra表（或完全扫描）加载到RDD中，然后才应用过滤器？
答案 0 :(得分：1)
你的第一段代码
val rdd = sc.cassandraTable("foo", "bar")
val date = DateTime.now().minusDays(30)
rdd.filter(r => r.getDate("date").after(date.toDate)).count // Count Filtered RDD
所以要小心。 RDD是不可变的，因此当您应用过滤器时，您需要使用返回的RDD，而不是您应用该函数的RDD。
val rdd = sc.cassandraTable("foo", "bar")
val date = DateTime.now().minusDays(30)
rdd.filter(r => r.getDate("date").after(date.toDate)) // Filters RDD
println(rdd.cassandraCount()) // Ignores filtered rdd and counts everything
为了提高Cassandra的阅读效率：
如果您的日期列是群集键，则可以使用.where函数将谓词下推到Cassandra。除此之外，您无法修剪数据服务器端。