Question

我正在评估spark-cassandra-connector，并且我正在努力尝试让分区键的范围查询起作用。

根据连接器的文档，似乎可以使用相等或IN运算符对分区键进行服务器端过滤，但不幸的是，我的分区键是时间戳，所以我无法使用它

所以我尝试使用Spark SQL并使用以下查询（＆＃39; timestamp＆＃39;是分区键）：

select * from datastore.data where timestamp >= '2013-01-01T00:00:00.000Z' and timestamp < '2013-12-31T00:00:00.000Z'

虽然作业产生了200个任务，但查询没有返回任何数据。

此外，我可以确保自从在cqlsh上运行查询后返回数据（使用＆＃39; token＆＃39;函数进行适当的转换）是否返回数据。

我在独立模式下使用spark 1.1.0。 Cassandra是2.1.2，连接器版本是＆＃39; b1.1＆＃39;科。 Cassandra司机是DataStax＆＃39; master＆＃39;科。 Cassandra集群覆盖在具有3台服务器的火花集群上，复制因子为1。

Here is the job's full log

有人知道吗？

更新：尝试根据分区键进行服务器端过滤时（使用CassandraRDD.where方法），我遇到以下异常：

Exception in thread "main" java.lang.UnsupportedOperationException: Range predicates on partition key columns (here: timestamp) are not supported in where. Use filter instead.

但不幸的是，我不知道＆＃34;过滤＆＃34;是...

Answer 1

我认为CassandraRDD错误告诉您在Cassandra中不允许您尝试执行的查询，并且必须在CassandraRDD中加载所有表，然后对此CassandraRDD执行spark过滤操作。

所以你的代码（在scala中）应该是这样的：

val cassRDD= sc.cassandraTable("keyspace name", "table name").filter(row=> row.getDate("timestamp")>=DateFormat('2013-01-01T00:00:00.000Z')&&row.getDate("timestamp") < DateFormat('2013-12-31T00:00:00.000Z'))

如果您对制作此类查询感兴趣，可能需要查看其他Cassandra连接器，例如Stratio开发的连接器

Answer 2

您可以通过多种方式获得所需的解决方案。

最强大的一个是使用Straion与Cassandra集成的Lucene索引，它允许您通过服务器端的任何索引字段进行搜索。您的写作时间会增加，但另一方面，您可以查询任何时间范围。您可以在Cassandra here中找到有关Lucene索引的更多信息。这个扩展版本的Cassandra完全集成到deep-spark project中，因此您可以通过它在Cassandra中获取Lucene索引的所有优点。我建议您在执行检索中小型结果集的受限查询时使用Lucene索引，如果要检索大部分数据集，则应使用下面的第三个选项。

另一种方法（取决于应用程序的工作方式）可能是截断您的时间戳字段，以便您可以使用IN运算符查找它。问题是，据我所知，你不能使用spark-cassandra-connector，你应该使用没有与Spark集成的直接Cassandra驱动程序，或者你可以看一下深火花项目即将发布的新功能即将发布。您的查询看起来像这样：

select * from datastore.data where timestamp IN ('2013-01-01', '2013-01-02', '2013-01-03', '2013-01-04', ... , '2013-12-31')

，但是，正如我之前所说，我不知道它是否符合您的需求，因为您可能无法截断您的数据并按日期/时间对其进行分组。

您拥有的最后一个选项，但效率较低，是将完整数据集带到您的火花群集并在RDD上应用过滤器。

免责声明：我为Stratio工作:-)如果您需要任何帮助，请随时与我们联系。

我希望它有所帮助！

Spark Cassandra连接器 - 分区键的范围查询

2 个答案: