将 Cassandra 与 Spark 连接/集成 (pyspark)

Question

我正在拼命尝试将 Cassandra 连接到 pyspark，但我无法让它工作。我对 spark 和 cassandra 还很陌生，所以我可能会错过一些相当简单的东西。

我对网上所有不同的解释有点困惑，但据我了解，最简单的方法是使用“Spark 包”？ (http://spark-packages.org/package/TargetHolding/pyspark-cassandra)

所以，使用以下命令：

./bin/spark-submit --packages com.datastax.spark:spark-cassandra-connector_2.11:1.5.0-M2 ../Main/Code/myPysparkFile.py

如果我使用上述 Spark 包，我是否不需要下载任何包？

在 myPysparkFile.py 中，我尝试了以下两个版本，但我都没有为我工作：

第 1 版，我从 http://www.slideshare.net/JonHaddad/intro-to-py-spark-and-cassandra 的第 14 页获得：

"SparkCassandraTest.py"
from pyspark import SparkContext, SparkConf
from pyspark_cassandra import CassandraSparkContext,Row

conf = SparkConf()
conf.setMaster("local[4]")
conf.setAppName("Spark Cassandra")
conf.set("spark.cassandra.connection.host","http://127.0.0.1")

sc = CassandraSparkContext(conf=conf)

rdd = sc.cassandraTable("test", "words")

我得到一个错误：

ImportError: No module named pyspark_cassandra

第 2 版（灵感来自：https://github.com/datastax/spark-cassandra-connector/blob/master/doc/15_python.md）：

"SparkCassandraTest.py"
from pyspark import SparkContext, SparkConf
from pyspark.sql import SQLContext

conf = SparkConf()
conf.setMaster("local[4]")
conf.setAppName("Spark Cassandra")
conf.set("spark.cassandra.connection.host","http://127.0.0.1")

sc = SparkContext(conf=conf)
sqlContext = SQLContext(sc)

sqlContext.read\
    .format("org.apache.spark.sql.cassandra")\
    .options(table="kv", keyspace="test")\
    .load().show()

这给了我以下错误：

    py4j.protocol.Py4JJavaError: An error occurred while calling o28.load.
: java.lang.NoSuchMethodError: scala.Predef$.$conforms()Lscala/Predef$$less$colon$less;
    at org.apache.spark.sql.cassandra.DefaultSource$.<init>(DefaultSource.scala:138)
    at org.apache.spark.sql.cassandra.DefaultSource$.<clinit>(DefaultSource.scala)
    at org.apache.spark.sql.cassandra.DefaultSource.createRelation(DefaultSource.scala:56)
    at org.apache.spark.sql.execution.datasources.ResolvedDataSource$.apply(ResolvedDataSource.scala:125)
    at org.apache.spark.sql.DataFrameReader.load(DataFrameReader.scala:114)
    at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
    at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:62)
    at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
    at java.lang.reflect.Method.invoke(Method.java:483)
    at py4j.reflection.MethodInvoker.invoke(MethodInvoker.java:231)
    at py4j.reflection.ReflectionEngine.invoke(ReflectionEngine.java:379)
    at py4j.Gateway.invoke(Gateway.java:259)
    at py4j.commands.AbstractCommand.invokeMethod(AbstractCommand.java:133)
    at py4j.commands.CallCommand.execute(CallCommand.java:79)
    at py4j.GatewayConnection.run(GatewayConnection.java:207)
    at java.lang.Thread.run(Thread.java:745)

我真的不知道自己做错了什么，如果有任何帮助，我将不胜感激。 另外，使用版本 1 或版本 2 有什么区别？这两个版本有什么优缺点吗？

此外，我们非常感谢任何有关如何最好地将 spark 与 cassandra 集成和使用的参考。

顺便说一句，Cassandra 在我的电脑上运行，基本配置在 7000 端口。

谢谢。

Answer 1

Pyspark_Cassandra 是与 spark-cassandra-connector 不同的包。它包括一个 SCC 版本，但不可互换。安装 SCC 不会安装 pyspark_cassandra。如果要使用 pyspark 中的 sc.cassandraTable()，则需要此包。

安装 SCC 确实使您能够在 pyspark 中使用 Dataframes，这是处理来自 pyspark 的 C* 的最有效方法。这与您的 V2 示例相同。它失败使您看起来好像没有使用 --package 命令启动 V2。

它可能失败的原因是您在这里指定了 Scala 2.11 版本的库

./bin/spark-submit --packages com.datastax.spark:spark-cassandra-connector_2.11:1.5.0-M2 ../Main/Code/myPysparkFile.py

并且很可能没有运行 Scala 2.10 版本的 Spark（默认下载为 2.10）