卡桑德拉星火连接器和过滤数据

Question

我使用星火1.3.1，我已经写了一个小程序，对Cassandra的过滤数据，如

val sc = new SparkContext(conf) 
val rdd = sc.cassandraTable("foo", "bar") 
val date = DateTime.now().minusHours(1) 
val rdd2 = rdd.filter(r => r.getDate("date").after(date.toDate)) 
println(rdd2.count()) 
sc.stop() 

这个程序很长一段时间运行，打印邮件

16/09/01 21:10:31 INFO Executor: Running task 46.0 in stage 0.0 (TID 46) 
16/09/01 21:10:31 INFO TaskSetManager: Finished task 42.0 in stage 0.0 (TID 42) in 20790 ms on localhost (43/1350) 

如果我终止这个程序，我的代码更改为

val date = DateTime.now().minusHours(1) 
val rdd2 = rdd.filter(r => r.getDate("date").after(date.toDate)) 

它仍然运行了很LO NG时间的消息像

6/09/01 21:14:01 INFO Executor: Running task 8.0 in stage 0.0 (TID 8) 
16/09/01 21:14:01 INFO TaskSetManager: Finished task 4.0 in stage 0.0 (TID 4) in 19395 ms on localhost (5/1350) 

所以它看起来像程序将始终尝试加载整个卡桑德拉表中存储（或尝试完全扫描的话），然后才应用滤镜。这对我来说似乎极其低效。

如何以更好的方式编写此代码，以便spark不会尝试将整个cassandra表（或完全扫描它）加载到RDD中，然后应用过滤器？

Answer 1

你的代码

val rdd = sc.cassandraTable("foo", "bar") 
val date = DateTime.now().minusDays(30) 
rdd.filter(r => r.getDate("date").after(date.toDate)).count // Count Filtered RDD 

第一块所以，要小心。 RDD是不可变的，因此当您应用过滤器时，您需要使用返回的RDD，而不是您应用该函数的RDD。

---

val rdd = sc.cassandraTable("foo", "bar") 
val date = DateTime.now().minusDays(30) 
rdd.filter(r => r.getDate("date").after(date.toDate)) // Filters RDD 
println(rdd.cassandraCount()) // Ignores filtered rdd and counts everything 

更多efficency从卡桑德拉阅读：

如果您的日期栏是一个聚集键可以使用.where功能谓词下推卡桑德拉。除此之外，你可以做的修剪数据服务器端的事情不多。

https://github.com/datastax/spark-cassandra-connector/blob/master/doc/3_selection.md#filtering-rows---where