我对这个故事中的不同演员有点困惑:PySpark,SparkSQL,Cassandra和pyspark-cassandra连接器。
据我所知,Spark发展了很多,SparkSQL现在是一个关键组件(使用'数据帧')。显然,没有SparkSQL就没有理由工作,特别是如果连接到Cassandra。
所以我的问题是:需要哪些组件以及如何以最简单的方式将它们连接在一起?
在Scala中使用boolean similarLeft;
if(treeStructOne.hasLeft() && treeStructTwo.hasLeft()) {
similarLeft = similar(treeStructOne.getLeft(),treeStructTwo.getLeft());
} else {
similarLeft = ?; // TODO what is good condition here?
}
我可以做到
return similarLeft && similarRight;
然后
boolean similar(TreeStruct x, TreeStruct y) {
if (x == null) {
return y == null;
} else {
return y != null && similar(x.left, y.left) && similar(x.right, y.right);
}
}
如何使用spark-shell
?
以下是我收集的一些子问题以及部分答案(如果我错了,请更正)。
是否需要pyspark-casmandra(我不这么认为 - 我不知道首先是在做什么)
我是否需要使用./bin/spark-shell --jars spark-cassandra-connector-java-assembly-1.6.0-M1-SNAPSHOT.jar
或者我可以使用常规import org.apache.spark.sql.cassandra.CassandraSQLContext
val cc = new CassandraSQLContext(sc)
cc.setKeyspace("mykeyspace")
val dataframe = cc.sql("SELECT count(*) FROM mytable group by beamstamp")
并自行导入必要的内容吗?
答案 0 :(得分:3)
应按照Spark Cassandra Connector python docs中所述的spark-cassandra-connector
包启动Pyspark。
./bin/pyspark
--packages com.datastax.spark:spark-cassandra-connector_$SPARK_SCALA_VERSION:$SPARK_VERSION
加载此功能后,您将能够使用Spark中C *数据帧中已存在的任何Dataframe操作。 More details on options of using C* dataframes
要将其设置为与jupyter notebook
一起运行,只需使用以下属性设置您的环境。
export PYSPARK_DRIVER_PYTHON=ipython
export PYSPARK_DRIVER_PYTHON_OPTS=notebook
调用pyspark
将启动正确配置的笔记本。
没有必要使用pyspark-cassandra
,除非你在使用python中的RDD工作时遇到了一些性能缺陷。
答案 1 :(得分:2)
在Python连接器中公开了DataFrame
API。只要spark-cassandra-connector
可用且SparkConf
包含所需配置,就不需要其他包。您只需指定格式和选项:
df = (sqlContext
.read
.format("org.apache.spark.sql.cassandra")
.options(table="mytable", keyspace="mykeyspace")
.load())
如果您想使用纯SQL,可以按如下方式注册DataFrame
:
df.registerTempTable("mytable")
## Optionally cache
sqlContext.cacheTable("mytable")
sqlContext.sql("SELECT count(*) FROM mytable group by beamstamp")
连接器的高级功能(如CassandraRDD
)不会向Python公开,因此如果您需要DataFrame
以外的功能,那么pyspark-cassandra
可能会有用。