按 RDD 值从 Cassandra 表中过滤答案

【问题标题】：Filter from Cassandra table by RDD values按 RDD 值从 Cassandra 表中过滤
【发布时间】：2015-03-23 04:51:11
【问题描述】：

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 中工作，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）。

我在网上找到的示例读取 RDD 中的整个 Cassandra 表并加入 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。

但是我该如何解决这个问题呢？

【问题讨论】：

标签： scala cassandra apache-spark rdd

【解决方案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要做的是对两个数据源进行内部连接。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)))

如果您实际上只是想针对您的 C* 数据库执行一堆主键查询，您最好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

【讨论】：