Spark cassandra 连接器 + 加入超时

Question

我需要加入两个 Spark 数据帧并将结果写回 Hive。以下是数据框：

Dataframe1：Cassandra 表 - 分区和聚类键：(ID,PART_NBR)

val df1 = spark.read.format("org.apache.spark.sql.cassandra")
    .option("keyspace", "mykeyspace")
    .option("table", "mytable")
    .load

**Dataframe2：从其他来源获取的键（即上表中的 ID 列的分区键）的数据帧 - 该表中不同键的数量约为 15 万个**

val df2 = spark.read
    .format("jdbc")
    .option("driver", "com.mysql.jdbc.Driver")
    .option("url","****")
    .option("dbtable","table")
    .option("user", "username")
    .option("password", "password123")
    .load()

  val joinExpr = df1.col("ID") === df2.col("ID")

  val res = df1.join(df2,joinExpr)

  res.write.mode(SaveMode.Append).format("orc")
    .saveAsTable("targetTable")

现在此代码总是导致 "com.datastax.oss.driver.api.core.servererrors.ReadFailureException: Cassandra 在读取查询期间以一致性 LOCAL_ONE 失败（需要 1 个响应，但只有 0 个副本响应，1 个失败)".

即使失败，也将 LOCAL_ONE 更改为 QUORUM。

我什至尝试将键数据帧拆分为 20 个键的批次（数据帧中的 20 个 ID 值），然后加入 cassandra 表 - 即使这样也失败了。

我什至尝试过 IN 子句，尽管它可以工作 DBA 限制我们运行它，因为它会加载 Cassandra 并导致 CPU 峰值。

在与 Cassandra DBA 核对时，他们要求进行有针对性的查询，因为上述查询会导致大令牌范围扫描并导致失败。但是个别有针对性的查询会导致 15 万次往返 Cassandra（这需要几个小时才能完成），而且成本太高。

为什么会导致如此庞大的令牌范围扫描？我们如何解决这个问题？我的替代方案是什么？

pom.xml 依赖

 <scala.version>2.11.12</scala.version>
 <spark.version>2.2.0</spark.version>

        <dependency>
            <groupId>com.datastax.spark</groupId>
            <artifactId>spark-cassandra-connector_2.11</artifactId>
            <version>2.5.1</version>
        </dependency>

        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-sql_2.11</artifactId>
            <version>${spark.version}</version>
            <scope>provided</scope>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-core_2.11</artifactId>
            <version>${spark.version}</version>
            <scope>provided</scope>
        </dependency>

尝试了以下但它没有直接加入。我有什么遗漏吗？

spark-submit --class ExampleCassandra --deploy-mode client --num-executors 15 --executor-memory 4g  --driver-memory=1g  --conf spark.sql.shuffle.partitions=25 --conf spark.executor.heartbeatInterval=100s --conf spark.sql.extensions=com.datastax.spark.connector.CassandraSparkExtensions --conf spark.serializer=org.apache.spark.serializer.KryoSerializer --jars spark-sql_2.11-2.4.0.jar,spark-core_2.11-2.4.0.jar,spark-hive_2.11-2.4.0.jar,mysql-connector-java-8.0.18.jar,spark-cassandra-connector_2.11-2.5.1.jar ExampleCassandra-bundled-1.0-SNAPSHOT.jar

代码中打印的 Spark 版本 => spark.sparkContext.version = 2.4.0

最终的计划

== Physical Plan ==
*(8) SortMergeJoin [item_nbr#31], [item_nbr#24], Inner
:- *(2) Sort [item_nbr#31 ASC NULLS FIRST], false, 0
:  +- Exchange hashpartitioning(item_nbr#31, 25)
:     +- *(1) Scan org.apache.spark.sql.cassandra.CassandraSourceRelation [item_nbr#31,planNum#32,strN#33,currTail#34,currTailTy#35,hor#36,prNbr#37,revSce#38,stckHnad#39] PushedFilters: [], ReadSchema: struct<item_nbr:int,planNum:int,strN:int,currTail:decimal(38,18),currTailTy:s...
+- *(7) Sort [item_nbr#24 ASC NULLS FIRST], false, 0
   +- Exchange hashpartitioning(item_nbr#24, 25)
      +- *(6) HashAggregate(keys=[item_nbr#21], functions=[])
         +- Exchange hashpartitioning(item_nbr#21, 25)
            +- *(5) HashAggregate(keys=[item_nbr#21], functions=[])
               +- *(5) Filter (NOT (trim(lower(item_nbr#21), None) = null) && isnotnull(cast(trim(item_nbr#21, None) as int)))
                  +- Generate explode(split(items#4, ,)), false, [item_nbr#21]
                     +- *(4) Project [items#4]
                        +- *(4) BroadcastHashJoin [planNum#0], [planNum#2], Inner, BuildRight
                           :- *(4) Scan JDBCRelation(( select planNum from QAMdPlans.Plan where plan_type = 'MBM' order by planNum desc ) t) [numPartitions=1] [planNum#0] PushedFilters: [*IsNotNull(planNum)], ReadSchema: struct<planNum:int>
                           +- BroadcastExchange HashedRelationBroadcastMode(List(cast(input[0, int, false] as bigint)))
                              +- *(3) Scan org.apache.spark.sql.cassandra.CassandraSourceRelation [planNum#2,items#4] PushedFilters: [], ReadSchema: struct<planNum:int,items:string>

Answer 1

问题是版本 2.0.5 没有优化 Dataframes 的连接 - 如果你这样做 res.explain 你会看到 Spark 将执行从 Cassandra 读取所有数据，然后在 Spark 上执行连接等级。优化连接仅在 RDD API 中可用，为leftJoinWithCassandraTable 或joinWithCassandraTable。

release of the Spark Cassandra Connector 2.5 改变了这种情况，现在包括针对 Dataframe API 的优化连接（但您需要启用 Spark SQL 扩展才能使其正常工作）。因此，您需要将连接器升级到 2.5.latest（目前为 2.5.1），或使用 RDD API 中的连接功能。

附：我最近 wrote a detailed blog post 使用 Dataframe 和 RDD API 与 Spark 中的 Cassandra 表中的数据进行有效连接。