按 RDD 值从 Cassandra table 过滤

Question

我想根据我在 RDD 中的值从 Cassandra 查询一些数据。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 中使用它时它会抛出异常：

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 中生成一个 RDD（Cassandra 结果）。

我在网上找到的示例在一个 RDD 中读取整个 Cassandra table 并加入 RDD （像这样：https://cassandrastuff.wordpress.com/2014/07/07/cassandra-and-spark-table-joins/）。但如果 Cassandra table 很大，它就无法扩展。

但是我该如何解决这个问题呢？

Answer 1

Spark 1.2 或更高版本

Spark 1.2 引入 joinWithCassandraTable

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

此代码最终将完成与以下解决方案相同的工作做。 joinWithCassandraTable 方法将使用与 saveToCassandra 用于将类转换为 Cassandra 可以使用的东西理解。这就是为什么我们需要一个元组而不仅仅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

我认为您在这里真正想做的是对两个数据源进行内部联接。这实际上应该比平面图方法更快，并且有一些内部智能哈希。

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)))

如果您实际上只想对您的 C* 数据库执行一系列主键查询，您最好只使用普通驱动程序路径而不是使用 spark 来执行它们。

与直接驱动程序调用集成的 Spark 解决方案

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

按 RDD 值从 Cassandra table 过滤

Filter from Cassandra table by RDD values

scala

cassandra

apache-spark

rdd

Spark 1.2 或更高版本

与直接驱动程序调用集成的 Spark 解决方案