Operações de agregação no Azure Cosmos DB para tabelas do Apache Cassandra a partir do Spark
APLICA-SE A: Cassandra
Este artigo descreve as operações de agregação básicas em tabelas do Azure Cosmos DB para Apache Cassandra do Spark.
Nota
A filtragem do lado do servidor e a agregação do lado do servidor não são atualmente suportadas no Azure Cosmos DB para Apache Cassandra.
API para configuração do Cassandra
Defina abaixo a configuração do Spark no seu cluster de blocos de notas. É uma atividade única.
//Connection-related
spark.cassandra.connection.host YOUR_ACCOUNT_NAME.cassandra.cosmosdb.azure.com
spark.cassandra.connection.port 10350
spark.cassandra.connection.ssl.enabled true
spark.cassandra.auth.username YOUR_ACCOUNT_NAME
spark.cassandra.auth.password YOUR_ACCOUNT_KEY
// if using Spark 2.x
// spark.cassandra.connection.factory com.microsoft.azure.cosmosdb.cassandra.CosmosDbConnectionFactory
//Throughput-related...adjust as needed
spark.cassandra.output.batch.size.rows 1
// spark.cassandra.connection.connections_per_executor_max 10 // Spark 2.x
spark.cassandra.connection.remoteConnectionsPerExecutor 10 // Spark 3.x
spark.cassandra.output.concurrent.writes 1000
spark.cassandra.concurrent.reads 512
spark.cassandra.output.batch.grouping.buffer.size 1000
spark.cassandra.connection.keep_alive_ms 600000000
Nota
Se estiver a utilizar o Spark 3.x, não precisa de instalar o programa auxiliar e a fábrica de ligações do Azure Cosmos DB. Também deve utilizar remoteConnectionsPerExecutor
em vez de para o conector do connections_per_executor_max
Spark 3 (ver acima).
Aviso
Os exemplos do Spark 3 apresentados neste artigo foram testados com a versão 3.2.1 do Spark e o Conector do Apache Spark para Cassandra correspondente com.datastax.spark:spark-cassandra-connector-assembly_2.12:3.2.0. As versões posteriores do Spark e/ou do conector do Cassandra podem não funcionar conforme esperado.
Gerador de dados de exemplo
import org.apache.spark.sql.cassandra._
//Spark connector
import com.datastax.spark.connector._
import com.datastax.spark.connector.cql.CassandraConnector
import org.apache.spark.sql.functions._
//if using Spark 2.x, CosmosDB library for multiple retry
//import com.microsoft.azure.cosmosdb.cassandra
// Generate a simple dataset containing five values
val booksDF = Seq(
("b00001", "Arthur Conan Doyle", "A study in scarlet", 1887,11.33),
("b00023", "Arthur Conan Doyle", "A sign of four", 1890,22.45),
("b01001", "Arthur Conan Doyle", "The adventures of Sherlock Holmes", 1892,19.83),
("b00501", "Arthur Conan Doyle", "The memoirs of Sherlock Holmes", 1893,14.22),
("b00300", "Arthur Conan Doyle", "The hounds of Baskerville", 1901,12.25)
).toDF("book_id", "book_author", "book_name", "book_pub_year","book_price")
booksDF.write
.mode("append")
.format("org.apache.spark.sql.cassandra")
.options(Map( "table" -> "books", "keyspace" -> "books_ks", "output.consistency.level" -> "ALL", "ttl" -> "10000000"))
.save()
Operação de contagem
RDD API
sc.cassandraTable("books_ks", "books").count
Saída:
count: Long = 5
API DataFrame
A contagem de dataframes não é atualmente suportada. O exemplo abaixo mostra como executar uma contagem de dataframe depois de manter o dataframe na memória como solução.
Escolha uma opção de armazenamento nas seguintes opções disponíveis para evitar problemas de "memória insuficiente":
MEMORY_ONLY: é a opção de armazenamento predefinida. Armazena o RDD como objetos Java serializados na JVM. Se o RDD não caber na memória, algumas partições não serão colocadas em cache e serão recomputadas de imediato sempre que forem necessárias.
MEMORY_AND_DISK: armazena o RDD como objetos Java serializados na JVM. Se o RDD não caber na memória, armazene as partições que não cabem no disco e, sempre que necessário, leia-as a partir da localização onde estão armazenadas.
MEMORY_ONLY_SER (Java/Scala): armazena RDD como objetos Java serializados– matriz de 1 byte por partição. Esta opção é eficiente em termos de espaço quando comparada com objetos serializados sem serialização, especialmente quando se utiliza um serializador rápido, mas que consome mais CPU para ler.
MEMORY_AND_DISK_SER (Java/Scala): esta opção de armazenamento é como MEMORY_ONLY_SER, a única diferença é que transposição de partições que não cabem na memória do disco em vez de as recomputar quando são necessárias.
DISK_ONLY: armazena apenas as partições RDD no disco.
MEMORY_ONLY_2, MEMORY_AND_DISK_2...: Igual aos níveis acima, mas replica cada partição em dois nós de cluster.
OFF_HEAP (experimental): semelhante ao MEMORY_ONLY_SER, mas armazena os dados na memória fora da área dinâmica para dados e requer que a memória fora da área dinâmica para dados seja ativada antecipadamente.
//Workaround
import org.apache.spark.storage.StorageLevel
//Read from source
val readBooksDF = spark
.read
.cassandraFormat("books", "books_ks", "")
.load()
//Explain plan
readBooksDF.explain
//Materialize the dataframe
readBooksDF.persist(StorageLevel.MEMORY_ONLY)
//Subsequent execution against this DF hits the cache
readBooksDF.count
//Persist as temporary view
readBooksDF.createOrReplaceTempView("books_vw")
SQL
%sql
select * from books_vw;
select count(*) from books_vw where book_pub_year > 1900;
select count(book_id) from books_vw;
select book_author, count(*) as count from books_vw group by book_author;
select count(*) from books_vw;
Operação média
RDD API
sc.cassandraTable("books_ks", "books").select("book_price").as((c: Double) => c).mean
Saída:
res24: Double = 16.016000175476073
API DataFrame
spark
.read
.cassandraFormat("books", "books_ks", "")
.load()
.select("book_price")
.agg(avg("book_price"))
.show
Saída:
+------------------+
| avg(book_price)|
+------------------+
|16.016000175476073|
+------------------+
SQL
select avg(book_price) from books_vw;
Saída:
16.016000175476073
Operação mínima
RDD API
sc.cassandraTable("books_ks", "books").select("book_price").as((c: Float) => c).min
Saída:
res31: Float = 11.33
API DataFrame
spark
.read
.cassandraFormat("books", "books_ks", "")
.load()
.select("book_id","book_price")
.agg(min("book_price"))
.show
Saída:
+---------------+
|min(book_price)|
+---------------+
| 11.33|
+---------------+
SQL
%sql
select avg(book_price) from books_vw;
Saída:
11.33
Operação máxima
RDD API
sc.cassandraTable("books_ks", "books").select("book_price").as((c: Float) => c).max
API DataFrame
spark
.read
.cassandraFormat("books", "books_ks", "")
.load()
.select("book_price")
.agg(max("book_price"))
.show
Saída:
+---------------+
|max(book_price)|
+---------------+
| 22.45|
+---------------+
SQL
%sql
select max(book_price) from books_vw;
Saída:
22.45
Operação soma
RDD API
sc.cassandraTable("books_ks", "books").select("book_price").as((c: Float) => c).sum
Saída:
res46: Double = 80.08000087738037
API DataFrame
spark
.read
.cassandraFormat("books", "books_ks", "")
.load()
.select("book_price")
.agg(sum("book_price"))
.show
Saída:
+-----------------+
| sum(book_price)|
+-----------------+
|80.08000087738037|
+-----------------+
SQL
select sum(book_price) from books_vw;
Saída:
80.08000087738037
Operação superior ou comparável
RDD API
val readCalcTopRDD = sc.cassandraTable("books_ks", "books").select("book_name","book_price").sortBy(_.getFloat(1), false)
readCalcTopRDD.zipWithIndex.filter(_._2 < 3).collect.foreach(println)
//delivers the first top n items without collecting the rdd to the driver.
Saída:
(CassandraRow{book_name: A sign of four, book_price: 22.45},0)
(CassandraRow{book_name: The adventures of Sherlock Holmes, book_price: 19.83},1)
(CassandraRow{book_name: The memoirs of Sherlock Holmes, book_price: 14.22},2)
readCalcTopRDD: org.apache.spark.rdd.RDD[com.datastax.spark.connector.CassandraRow] = MapPartitionsRDD[430] at sortBy at command-2371828989676374:1
API DataFrame
import org.apache.spark.sql.functions._
val readBooksDF = spark.read.format("org.apache.spark.sql.cassandra")
.options(Map( "table" -> "books", "keyspace" -> "books_ks"))
.load
.select("book_name","book_price")
.orderBy(desc("book_price"))
.limit(3)
//Explain plan
readBooksDF.explain
//Top
readBooksDF.show
Saída:
== Physical Plan ==
TakeOrderedAndProject(limit=3, orderBy=[book_price#1840 DESC NULLS LAST], output=[book_name#1839,book_price#1840])
+- *(1) Scan org.apache.spark.sql.cassandra.CassandraSourceRelation@29cd5f58 [book_name#1839,book_price#1840] PushedFilters: [], ReadSchema: struct<book_name:string,book_price:float>
+--------------------+----------+
| book_name|book_price|
+--------------------+----------+
| A sign of four| 22.45|
|The adventures of...| 19.83|
|The memoirs of Sh...| 14.22|
+--------------------+----------+
import org.apache.spark.sql.functions._
readBooksDF: org.apache.spark.sql.Dataset[org.apache.spark.sql.Row] = [book_name: string, book_price: float]
SQL
select book_name,book_price from books_vw order by book_price desc limit 3;
Passos seguintes
Para efetuar operações de cópia de tabelas, veja: