想象一下以下场景:Spark应用程序(Java实现)正在使用Cassandra数据库加载,转换为RDD并处理数据 . 该应用程序还从数据库中蒸出新数据,这些数据也由自定义接收器处理 . 流处理的输出存储在数据库中 . 该实现使用Spring Data Cassandra与数据库集成 .
CassandraConfig:
@Configuration
@ComponentScan(basePackages = {"org.foo"})
@PropertySource(value = { "classpath:cassandra.properties" })
public class CassandraConfig {
@Autowired
private Environment env;
@Bean
public CassandraClusterFactoryBean cluster() {
CassandraClusterFactoryBean cluster = new CassandraClusterFactoryBean();
cluster.setContactPoints(env.getProperty("cassandra.contactpoints"));
cluster.setPort(Integer.parseInt(env.getProperty("cassandra.port")));
return cluster;
}
@Bean
public CassandraMappingContext mappingContext() {
return new BasicCassandraMappingContext();
}
@Bean
public CassandraConverter converter() {
return new MappingCassandraConverter(mappingContext());
}
@Bean
public CassandraSessionFactoryBean session() throws Exception {
CassandraSessionFactoryBean session = new CassandraSessionFactoryBean();
session.setCluster(cluster().getObject());
session.setKeyspaceName(env.getProperty("cassandra.keyspace"));
session.setConverter(converter());
session.setSchemaAction(SchemaAction.NONE);
return session;
}
@Bean
public CassandraOperations cassandraTemplate() throws Exception {
return new CassandraTemplate(session().getObject());
}
}
DataProcessor.main方法:
// Initialize spring application context
ApplicationContext applicationContext = new AnnotationConfigApplicationContext(CassandraConfig.class);
ApplicationContextHolder.setApplicationContext(applicationContext);
CassandraOperations cassandraOperations = applicationContext.getBean(CassandraOperations.class);
// Initialize spark context
SparkConf conf = new SparkConf().setAppName("test-spark").setMaster("local[2]");
JavaSparkContext sc = new JavaSparkContext(conf);
// Load data pages
List<Event> pagingResults = cassandraOperations.select("select * from event where event_type = 'event_type1' order by creation_time desc limit " + DATA_PAGE_SIZE, Event.class);
// Parallelize the first page
JavaRDD<Event> rddBuffer = sc.parallelize(pagingResults);
while(pagingResults != null && !pagingResults.isEmpty()) {
Event lastEvent = pagingResults.get(pagingResults.size() - 1);
pagingResults = cassandraOperations.select("select * from event where event_type = 'event_type1' and creation_time < " + lastEvent.getPk().getCreationTime() + " order by creation_time desc limit " + DATA_PAGE_SIZE, Event.class);
// Parallelize page and add to the existing
rddBuffer = rddBuffer.union(sc.parallelize(pagingResults));
}
// data processing
...
预计初始加载会有大量数据 . 因此,数据在rddBuffer中进行分页,加载和分发 .
还有以下选项:
-
Spark-Cassandra示例(https://github.com/apache/spark/blob/master/examples/src/main/scala/org/apache/spark/examples/CassandraCQLTest.scala),尽管此示例的文档数量最少 .
-
Calliope项目(http://tuplejump.github.io/calliope/)
我想知道Spark与Cassandra集成的最佳实践是什么 . 在我的实施中,最好的选择是什么?
Apache Spark 1.0.0,Apache Cassandra 2.0.8
2 回答
使用Cassandra和Spark的最简单方法是使用DataStax开发的Spark官方开源Cassandra驱动程序:https://github.com/datastax/spark-cassandra-connector
这个驱动程序是在Cassandra Java Driver之上构建的,它提供了Cassandra和Spark之间的直接桥梁 . 与Calliope不同,它不使用Hadoop接口 . 此外,它还提供以下独特功能:
支持所有Cassandra数据类型,包括集合,开箱即用
将Cassandra行轻量映射到自定义类或元组,而无需在Scala中使用任何implicits或其他高级功能
将任何RDD保存到Cassandra
完全支持Cassandra虚拟节点
在服务器端过滤/选择的能力,例如利用Cassandra集群列或二级索引
上面代码中的方法是一种经典的集中式算法,只有在一个节点中执行时才能工作 . Cassandra和Spark都是分布式系统,因此有必要对流程进行建模,使其可以分布在多个节点中 .
可能的方法很少:如果您知道要获取的行的键,您可以执行以下简单操作:(使用DataStax Java驱动程序)
这将有效地分配Spark集群中的密钥提取 . 请注意如何在闭包内完成与C *的连接,因为这可确保在每个单独的分布式工作程序上执行任务时 Build 连接 .
鉴于您的示例使用通配符(即密钥未知),使用Cassandra的Hadoop接口是一个不错的选择 . 问题中链接的Spark-Cassandra示例说明了在Cassandra上使用此Hadoop接口 .
Calliope是一个通过提供访问该功能的简单API来封装使用Hadoop接口的复杂性的库 . 它仅在Scala中可用,因为它使用特定的Scala功能(如即将发布的版本中的implicits和宏) . 使用Calliope,您基本上可以声明如何将RDD [type]转换为行键和行值,并且Calliope负责配置hadoop接口到作业 . 我们发现Calliope(和底层的hadoop接口)比使用驱动程序与Cassandra交互快2-4倍 .
结论:我将离开Spring-Data配置来访问Cassandra,因为这将限制您到单个节点 . 如果可能,请考虑使用简单的并行访问,或者在Scala中使用Calliope进行探索 .