连接/集成Cassandra与Spark(pyspark)

Question

我拼命想把Cassandra连接到pyspark，但我无法让它工作。我对斯帕克和卡桑德拉还很陌生，所以我可能会错过一些简单的东西。

我对网上各种不同的解释有点困惑，但据我所知，最简单的方法是使用"Spark包"？(http://spark-packages.org/package/TargetHolding/pyspark-cassandra)

因此，使用以下命令：

./bin/spark-submit --packages com.datastax.spark:spark-cassandra-connector_2.11:1.5.0-M2 ../Main/Code/myPysparkFile.py

如果我使用如上所述的spark软件包，我不需要下载任何软件包，这一点我的理解是否正确？

在myPysparkFile.py中，我尝试了以下两个版本，这两个版本都不适合我：

版本1，我从http://www.slideshare.net/JonHaddad/intro-to-py-spark-and-cassandra:

"SparkCassandraTest.py"
from pyspark import SparkContext, SparkConf
from pyspark_cassandra import CassandraSparkContext,Row
conf = SparkConf()
conf.setMaster("local[4]")
conf.setAppName("Spark Cassandra")
conf.set("spark.cassandra.connection.host","http://127.0.0.1")
sc = CassandraSparkContext(conf=conf)
rdd = sc.cassandraTable("test", "words")

作为一个错误，我得到：

ImportError: No module named pyspark_cassandra

版本2（其灵感来源于：https://github.com/datastax/spark-cassandra-connector/blob/master/doc/15_python.md)：

"SparkCassandraTest.py"
from pyspark import SparkContext, SparkConf
from pyspark.sql import SQLContext
conf = SparkConf()
conf.setMaster("local[4]")
conf.setAppName("Spark Cassandra")
conf.set("spark.cassandra.connection.host","http://127.0.0.1")
sc = SparkContext(conf=conf)
sqlContext = SQLContext(sc)
sqlContext.read
    .format("org.apache.spark.sql.cassandra")
    .options(table="kv", keyspace="test")
    .load().show()

这给了我以下错误：

    py4j.protocol.Py4JJavaError: An error occurred while calling o28.load.
: java.lang.NoSuchMethodError: scala.Predef$.$conforms()Lscala/Predef$$less$colon$less;
    at org.apache.spark.sql.cassandra.DefaultSource$.<init>(DefaultSource.scala:138)
    at org.apache.spark.sql.cassandra.DefaultSource$.<clinit>(DefaultSource.scala)
    at org.apache.spark.sql.cassandra.DefaultSource.createRelation(DefaultSource.scala:56)
    at org.apache.spark.sql.execution.datasources.ResolvedDataSource$.apply(ResolvedDataSource.scala:125)
    at org.apache.spark.sql.DataFrameReader.load(DataFrameReader.scala:114)
    at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
    at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:62)
    at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
    at java.lang.reflect.Method.invoke(Method.java:483)
    at py4j.reflection.MethodInvoker.invoke(MethodInvoker.java:231)
    at py4j.reflection.ReflectionEngine.invoke(ReflectionEngine.java:379)
    at py4j.Gateway.invoke(Gateway.java:259)
    at py4j.commands.AbstractCommand.invokeMethod(AbstractCommand.java:133)
    at py4j.commands.CallCommand.execute(CallCommand.java:79)
    at py4j.GatewayConnection.run(GatewayConnection.java:207)
    at java.lang.Thread.run(Thread.java:745)

我真的不知道自己做错了什么，如果有任何帮助，我将不胜感激。另外，使用版本1和版本2有什么区别？这两个版本之间有什么优点或缺点吗？

此外，如有任何关于如何最好地将spark与cassandra集成和使用的进一步参考，我们将不胜感激。

顺便说一句，Cassandra在我的电脑上运行，端口7000上有基本配置。

谢谢。

Answer 1

Pyspark_Casandra是一个与spark-Cassandra连接器不同的包。它包括SCC的一个版本，但不能互换。安装SCC不会安装pyspark_casandra。如果要使用pyspark中的sc.cassandraTable（），则需要此包。

安装SCC确实使您能够在pyspark中使用数据帧，这是处理pyspark的C*的最有效方法。这与您的V2示例相同。它的失败使您看起来好像没有使用--package命令启动V2。

它可能失败的原因是你在这里指定了Scala 2.11版本的库

./bin/spark-submit --packages com.datastax.spark:spark-cassandra-connector_2.11:1.5.0-M2 ../Main/Code/myPysparkFile.py

并且很可能没有运行Scala 2.10版本的Spark（默认下载是2.10）