我的cassandra CF有date和id作为分区Key . 在查询时我只知道日期,所以我循环了id的范围 .
我的问题围绕连接器如何执行以下代码 .
SparkDriver代码看起来像 -
SparkConf conf = new SparkConf().setAppName("DemoApp")
.conf.setMaster("local[*]")
.set("spark.cassandra.connection.host", "10.*.*.*")
.set("spark.cassandra.connection.port", "*");
JavaSparkContext sc = new JavaSparkContext(conf);
SparkContextJavaFunctions javaFunctions = CassandraJavaUtil.javaFunctions(sc);
String date = "23012017";
for(String id : idlist) {
JavaRDD<CassandraRow> cassandraRowsRDD =
javaFunctions.cassandraTable("datakeyspace", "sample2")
.where("date = ?",date)
.where("id = ? ", id)
.select("data");
cassandraRowsRDDList.add(cassandraRowsRDD);
}
List<CassandraRow> collectAllRows = new ArrayList<CassandraRow>();
for(JavaRDD<CassandraRow> rdd : cassandraRowsRDDList){
//do transformations
collectAllRows.addAll(rdd.collect());
}
1)首先我想询问我是否循环idlist,说idlist有1000个元素可能会增加,这会有效吗?每个选择查询如何在集群中分发?特别是如何维护Cassandra数据库连接?
2)在我的驱动程序中循环结束后,我将所有行放入List中,然后对每行应用转换并过滤掉重复项 . 这也会通过集群上的火花来分配,还是会发生在驾驶员一侧 .
请帮忙 .
1 回答
有一个更好的方法来做这个由spark cassandra连接器提供 . 你可以创建一个(date,id)的rdd,然后在列date和id上调用joinWithCassandraTable函数 . 连接器巧妙地执行所有数据将仅由工作人员提取,而且没有随机播放,每个工作人员将只获取日期和ID所具有的数据 .