Question

我想根据我在RDD中的值查询Cassandra的一些数据。我的方法如下：

val userIds = sc.textFile("/tmp/user_ids").keyBy( e => e ) 
val t = sc.cassandraTable("keyspace", "users").select("userid", "user_name") 
val userNames = userIds.flatMap { userId => 
  t.where("userid = ?", userId).take(1) 
} 
userNames.take(1)

虽然Cassandra查询在Spark shell中有效，但当我在flatMap中使用它时会引发异常：

org.apache.spark.SparkException: Job aborted due to stage failure: Task 0 in stage 2.0 failed 1 times, most recent failure: Lost task 0.0 in stage 2.0 (TID 2, localhost): java.lang.NullPointerException: 
        org.apache.spark.rdd.RDD.<init>(RDD.scala:125) 
        com.datastax.spark.connector.rdd.CassandraRDD.<init>(CassandraRDD.scala:49) 
        com.datastax.spark.connector.rdd.CassandraRDD.copy(CassandraRDD.scala:83) 
        com.datastax.spark.connector.rdd.CassandraRDD.where(CassandraRDD.scala:94)

我的理解是我无法在另一个RDD中生成RDD（Cassandra结果）。

我在网上找到的例子读取了RDD中的整个Cassandra表并加入了RDD （像这样：https://cassandrastuff.wordpress.com/2014/07/07/cassandra-and-spark-table-joins/）。但如果Cassandra表很大，它就无法扩展。

但我该如何解决这个问题呢？

Answer 1

Spark 1.2或更高

Spark 1.2引入了joinWithCassandraTable

val userids = sc.textFile("file:///Users/russellspitzer/users.list")
userids
 .map(Tuple1(_))
 .joinWithCassandraTable("keyspace","table")

此代码最终会执行与下面的解决方案相同的工作确实。 joinWithCassandraTable方法将使用与代码相同的代码 saveToCassandra用于将类转换为Cassandra可以执行的操作了解。这就是我们需要一个元组的原因而不只是一个简单的字符串来执行连接。

https://github.com/datastax/spark-cassandra-connector/blob/master/doc/2_loading.md#using-joinwithcassandratable

我认为你真正想要做的就是在两个数据源上进行内连接。这实际上应该比flatmap方法更快，并且还有一些内部智能散列。

scala> val userids = sc.textFile("file:///Users/russellspitzer/users.list")
scala> userids.take(5)
res19: Array[String] = Array(3, 2)

scala> sc.cassandraTable("test","users").collect
res20: Array[com.datastax.spark.connector.CassandraRow] = Array(CassandraRow{userid: 3, username: Jacek}, CassandraRow{userid: 1, username: Russ}, CassandraRow{userid: 2, username: Helena})

scala> userids.map(line => (line.toInt,true)).join(sc.cassandraTable("test","users").map(row => (row.getInt("userid"),row.getString("username")))).collect
res18: Array[(Int, (Boolean, String))] = Array((2,(true,Helena)), (3,(true,Jacek)))

如果你真的只想对你的C *数据库执行一堆主键查询，那么最好只使用普通的驱动程序路径执行它们而不是使用spark。

Spark解决方案与直接驱动程序调用集成

import com.datastax.spark.connector.cql.CassandraConnector
import collection.JavaConversions._

val cc = CassandraConnector(sc.getConf)
val select = s"SELECT * FROM cctest.users where userid=?"
val ids = sc.parallelize(1 to 10)
ids.flatMap(id =>
      cc.withSessionDo(session =>
        session.execute(select, id.toInt: java.lang.Integer).iterator.toList.map(row =>
          (row.getInt("userid"), row.getString("username"))))).collect

通过RDD值从Cassandra表中过滤

1 个答案:

Spark 1.2或更高

Spark解决方案与直接驱动程序调用集成