Cassandra Spark 连接器和过滤数据

Question

我使用的是 Spark 1.3.1，我写了一个小程序来过滤 cassandra 上的数据

val sc = new SparkContext(conf)
val rdd = sc.cassandraTable("foo", "bar")
val date = DateTime.now().minusHours(1)
val rdd2 = rdd.filter(r => r.getDate("date").after(date.toDate))
println(rdd2.count())
sc.stop()

这个程序运行了很长时间，打印类似

的消息

16/09/01 21:10:31 INFO Executor: Running task 46.0 in stage 0.0 (TID 46)
16/09/01 21:10:31 INFO TaskSetManager: Finished task 42.0 in stage 0.0 (TID 42) in 20790 ms on localhost (43/1350)

如果我终止程序并将代码更改为

val date = DateTime.now().minusHours(1)
val rdd2 = rdd.filter(r => r.getDate("date").after(date.toDate))

它仍然运行很长时间，并带有类似的消息

6/09/01 21:14:01 INFO Executor: Running task 8.0 in stage 0.0 (TID 8)
16/09/01 21:14:01 INFO TaskSetManager: Finished task 4.0 in stage 0.0 (TID 4) in 19395 ms on localhost (5/1350)

所以看起来程序总是会尝试将整个 cassandra 表加载到内存中（或尝试完全扫描它），然后才应用过滤器。这对我来说似乎效率极低。

如何以更好的方式编写此代码，以便 spark 不会尝试将整个 cassandra 表加载（或完全扫描）到 RDD 中，然后才应用过滤器？

Answer 1

你的第一段代码

val rdd = sc.cassandraTable("foo", "bar")
val date = DateTime.now().minusDays(30)
rdd.filter(r => r.getDate("date").after(date.toDate)).count // Count Filtered RDD

所以要小心。 RDD 是不可变的，因此当您应用过滤器时，您需要使用返回的 RDD，而不是您应用该函数的那个​​。

---

val rdd = sc.cassandraTable("foo", "bar")
val date = DateTime.now().minusDays(30)
rdd.filter(r => r.getDate("date").after(date.toDate)) // Filters RDD
println(rdd.cassandraCount()) // Ignores filtered rdd and counts everything

为了提高阅读 Cassandra 的效率：

如果您的日期列是集群键，您可以使用 .where 函数将谓词下推到 Cassandra。除此之外，您无能为力来修剪数据服务器端。

https://github.com/datastax/spark-cassandra-connector/blob/master/doc/3_selection.md#filtering-rows---where