如何解决Spark UDF使用Cassandra连接器查找键
-
我正在尝试将cassandra用作键值查找库 工作。
-
我们主要使用数据框,并已脱离RDD API。
-
而不是与表联接,而是将它们加载到spark或
推动加入cassandra并采取措施避免大笔费用
表扫描,我以为我可以编写一个连接的Spark UDF cassandra一个查找一个键 -
我还想将结果行转换为案例类 对象并返回对象。
根据以下问题的回答,我得到了一些信息。 withSessionDo 重用每个节点上可用的基础JVM级别会话 Spark Cassandra Connector proper usage
val connector = CassandraConnector(sparkConf) // I Know this is serializable.
def lookupKey(connector: CassandraConnector,keyspace: String,table: String): UserDefineFunction = udf((key: String) => {
connector.withSessionDo(session => {
val stmt = session.prepare(s"SELECT * FROM $keyspace.$table WHERE key = ?")
val result = session.execute( stmt.bind(key) )
MyCaseClass(
fieldl1 = result.getString(0),fieldl2 = result.getInt(1)
...
)
}
})
会话无法序列化,因此我们无法在udf外部创建一个会话并将其传递给它,因此我们可以使用映射管理器将行转换为case类实例。 使用映射管理器的另一种方法,
def lookupKeyAlt(connector: CassandraConnector,table: String): UserDefineFunction = udf((key: String) => {
connector.withSessionDo(session => {
val manager = new MappingManager(session) // session isn't serializable,so creating one outside and passing to udf is not an option if wf we were willing to do the session management.
val mapperClass = manager.mapper(classOf[MyCaseClass],keyspace)
mapperClass.get(key)
}
})
我是Cassandra的新手,所以请允许我回答几个问题。
- 这些方法中我是否不了解任何陷阱?
- 在第二种方法中,我了解到我们在每次调用UDF时都会创建一个新的MappingManager(session)。这是否仍将使用jvm级会话并打开更多会话? 在每次调用时实例化MappingManager甚至还正确吗?该会话无法序列化,因此我无法在外部创建会话并将其传递给UDF。
- 将结果Row转换为Case类对象的其他方法有哪些?
- 有没有更好的选择来进行这种查找?
解决方法
您正在尝试模拟Spark Cassandra Connector(SCC)的功能,但是您的实现会比SCC慢得多,因为您使用的是同步API,并且在SCC是使用异步API,并并行提取多行数据。
实现所需目标的最佳方法是使用Cassandra优化联接(通常称为“直接联接”)。这种连接始终可用于RDD API,但是很长一段时间才仅在商业版本的连接器中可用于Dataframe API。但是从SCC 2.5.0(released in May 2020th)开始,此功能在开源版本中也可用,因此您可以使用它而不是构建其仿真。通过在配置SparkSession时传递spark.sql.extensions=com.datastax.spark.connector.CassandraSparkExtensions
(例如,通过命令行),仅在您enable special Catalyst extensions时执行直接联接。之后,您可以通过全部或部分主键对Cassandra表执行联接,SCC会自动将联接转换为对Cassandra的单个请求,这些请求可以非常有效地执行。您可以通过在联接的数据帧上执行explain
来检查是否发生了这种情况,因此应该看到类似的内容(查找字符串 Cassandra Direct Join ):
scala> joined.explain
== Physical Plan ==
Cassandra Direct Join [pk = id#30,c1 = cc1#32] test.jtest1 - Reading (pk,c1,c2,v) Pushed {}
+- *(1) Project [cast(id#28L as int) AS id#30,cast(id#28L as int) AS cc1#32]
+- *(1) Range (1,5,step=1,splits=8)
我最近wrote a long blog post解释了如何同时使用Dataframe和RDD API对Cassandra中的数据执行有效的连接-我不想在这里重复:-)
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。