如何使用 Python 驱动程序加速将 execute_async 插入 Cassandra

Question

我正在尝试使用 python 驱动程序将数据加载到 Cassandra。我能得到的最快速度是每秒 6k 次写入。我正在读取的 csv 有大约 115 万行，导致总插入时间约为 3 分 10 秒。我真的需要将这段时间缩短到 2 分钟或更短，以便及时了解数据。

我的数据由 115 万行和 52 列组成。

目前我正在使用 session.execute_async 函数来插入数据。更改我一次允许的异步请求数量似乎可以加快速度。似乎在大约 5-6k 个请求之后阻塞会导致最快的插入率。

我确实尝试过批量插入，但速度非常慢。

这是我目前将数据插入 Cassandra 的方法。

# insert data into cassandra table
execution_profile = ExecutionProfile(request_timeout=10)
profiles = {'node1': execution_profile}
auth_provider = PlainTextAuthProvider(username='cassandra', password='cassandra')
cluster = Cluster(['11.111.11.11'], 9042, auth_provider=auth_provider, execution_profiles=profiles) 
session = cluster.connect() # connect to your keyspace

# Read csv rows into cassandra
count = 0
futures = []
with open('/massaged.csv') as f:
    next(f) #skip the header row
    for line in f:
        query = SimpleStatement("INSERT INTO hrrr.hrrr_18hr( loc_id,utc,sfc_vis,sfc_gust,sfc_pres,sfc_hgt,sfc_tmp,sfc_snow_0Xacc,sfc_cnwat,sfc_weasd,sfc_snowc,sfc_snod,two_m_tmp,two_m_pot,two_m_spfh,two_m_dpt,two_m_rh,ten_m_ugrd,ten_m_vgrd,ten_m_wind_1hr_max,ten_m_maxuw_1hr_max,ten_m_maxvw_1hr_max,sfc_cpofp,sfc_prate,sfc_apcp_0Xacc,sfc_weasd_0Xacc,sfc_frozr_0Xacc,sfc_frzr_0Xacc,sfc_ssrun_1hr_acc,sfc_bgrun_1hr_acc,sfc_apcp_1hr_acc,sfc_weasd_1hr_acc,sfc_frozr_1hr_acc,sfc_csnow,sfc_cicep,sfc_cfrzr,sfc_crain,sfc_sfcr,sfc_fricv,sfc_shtfl,sfc_lhtfl,sfc_gflux,sfc_vgtyp,sfc_cape,sfc_cin,sfc_dswrf,sfc_dlwrf,sfc_uswrf,sfc_ulwrf,sfc_vbdsf,sfc_vddsf,sfc_hpbl) VALUES (%s)" %(line), consistency_level=ConsistencyLevel.ONE)
        futures.append(session.execute_async(query, execution_profile='node1'))
        count += 1
        if count % 5000 == 0:
            for f in futures:
                f.result() # blocks until remaining inserts are completed.
                futures = []
            print("rows processed: " + str(count))

# Catch any remaining async requests that haven't finished
for f in futures:
    f.result() # blocks until remaining inserts are completed.
print("rows processed: " + str(count))

我需要将插入时间缩短到大约 2 分钟或更短（大约每秒 10K 次插入）。我应该使用多处理来实现这一点还是我错误地使用了 execute_async 函数？

更新

根据 Alex 的建议，我尝试实现一个准备好的语句。这是我想出的，但它似乎要慢得多？对我做错了什么有什么想法吗？

hrrr_prepared = session.prepare("INSERT INTO hrrr.hrrr_18hr( loc_id,utc,...,sfc_hpbl) VALUES (?, ..., ?)")

for row in range(0, len(data)):
    futures.append(session.execute_async(hrrr_prepared, tuple(data.iloc[row])))
    count += 1
    if count % 5000 == 0:
        for f in futures:
            f.result() # blocks until remaining inserts are completed.
            futures = []
        print("rows processed: " + str(count))

注意：为了便于阅读，我将“...”放在准备好的语句中，实际代码没有。

Answer 1

最大的加速应该来自使用prepared statements 而不是使用SimpleStatement - 对于准备好的语句，它只被解析一次（在循环之外），然后只有数据与查询 ID 一起发送到服务器。使用 SimpleStatement，每次都会解析查询。

此外，如果您不等待所有期货完成，但有某种“计数信号量”不会让您超过“进行中”请求的最大数量，那么您可能会提高吞吐量，但是您可以在执行其中一些请求后立即发送新请求。我不是 Python 专家，所以不能确切地说明如何做到这一点，但您可以查看 Java implementation 以了解一个想法。