在 Spark 中对巨大数据帧进行高效过滤

【问题标题】：Efficient Filtering on a huge data frame in Spark在 Spark 中对巨大数据帧进行高效过滤
【发布时间】：2017-03-02 11:07:45
【问题描述】：

我有一个包含 5 亿行的 Cassandra 表。我想使用 spark 根据作为 Cassandra 中的分区键的字段进行过滤。

您能否建议基于列表键在 Spark/Spark SQL 中进行过滤的最佳可能/有效方法，该列表键也非常大。

基本上我只需要 Cassandra 表中存在于键列表中的那些行。

我们正在使用 DSE 及其功能。我使用的方法大约需要一个小时左右。

【问题讨论】：

你说的大列表到底是什么意思？
我想加入 2 个数据集。 Cassandra 表有 500+ 百万条记录和一个键列表（即 object_id）。最终结果应该只有那些在列表中 object_id 匹配的 Cassandra 表行。我正在使用需要大量时间的连接，我想防止这种情况发生

标签： apache-spark cassandra apache-spark-sql spark-dataframe spark-cassandra-connector

【解决方案1】：

您检查过repartitionByCassandraReplica 和joinWithCassandraTable 吗？

https://github.com/datastax/spark-cassandra-connector/blob/75719dfe0e175b3e0bb1c06127ad4e6930c73ece/doc/2_loading.md#performing-efficient-joins-with-cassandra-tables-since-12

joinWithCassandraTable 利用 java 驱动器执行单个查询源 RDD 所需的每个分区，因此不需要数据将被请求或序列化。这意味着任何之间的连接 RDD 和 Cassandra Table 可以在不做完整表的情况下执行扫描。在共享相同内容的两个 Cassandra 表之间执行时分区键，这将不需要在机器之间移动数据。在所有情况下，此方法都将使用源 RDD 的分区和数据位置的放置。

方法repartitionByCassandraReplica可以用来重定位数据在 RDD 中匹配给定表的复制策略和键空间。该方法将在给定 RDD，然后使用这些值来确定集群将负责该数据。

【讨论】：