在我的测试环境中,我有1个Cassandra节点和3个Spark节点 . 我想迭代一个大约有200k行的大表,每个大约需要20-50KB .
CREATE TABLE foo (
uid timeuuid,
events blob,
PRIMARY KEY ((uid))
)
这是在spark集群中执行的scala代码
val rdd = sc.cassandraTable("test", "foo")
// This pulls records in memory, taking ~6.3GB
var count = rdd.select("events").count()
// Fails nearly immediately with
// NoHostAvailableException: All host(s) tried for query failed [...]
var events = rdd.select("events").collect()
Cassandra 2.0.9,Spark:1.2.1,Spark-cassandra-connector-1.2.0-alpha2
我试图只运行 collect
,没有 count
- 在这种情况下它只是用 NoHostAvailableException
快速失败 .
Question: 迭代大表读取和一次处理小批量行的正确方法是什么?
1 回答
Cassandra Spark Connector中有2个设置来调整块大小(将它们放在SparkConf对象中):
spark.cassandra.input.split.size:每个Spark分区的行数(默认为100000)
spark.cassandra.input.page.row.size:每个获取页面的行数(即网络往返)(默认为1000)
此外,您不应在示例中使用
collect
操作,因为它将获取驱动程序应用程序内存中的所有行,并可能引发内存不足异常 . 只有在确定它会产生少量行时才能使用collect
动作 .count
动作不同,它只产生一个整数 . 所以我建议你像你一样从Cassandra加载你的数据,处理它,然后存储结果(用Cassandra,HDFS,等等) .