Cassandra / Spark显示大表的错误条目数

问题描述 投票：2回答：1

我正在尝试使用spark来处理一个大的cassandra表（大约4.02亿个条目和84列）但是我得到了不一致的结果。最初要求是将此表中的某些列复制到另一个表。复制数据后，我注意到新表中的某些条目丢失了。要验证我是否计算了大型源表，但每次都得到不同的值。我在一个较小的表（约700万条记录）上尝试了查询，结果很好。

最初，我试图使用pyspark进行计数。这是我的pyspark脚本：

spark = SparkSession.builder.appName("Datacopy App").getOrCreate() 
df = spark.read.format("org.apache.spark.sql.cassandra").options(table=sourcetable, keyspace=sourcekeyspace).load().cache() 
df.createOrReplaceTempView("data") 
query = ("select count(1) from data " ) 
vgDF = spark.sql(query) 
vgDF.show(10)

Spark提交命令如下：

~/spark-2.1.0-bin-hadoop2.7/bin/spark-submit --master spark://10.128.0.18:7077 --packages datastax:spark-cassandra-connector:2.0.1-s_2.11 --conf spark.cassandra.connection.host="10.128.1.1,10.128.1.2,10.128.1.3" --conf "spark.storage.memoryFraction=1" --conf spark.local.dir=/media/db/ --executor-memory 10G --num-executors=6 --executor-cores=2 --total-executor-cores 18 pyspark_script.py

上述火花提交过程需要约90分钟才能完成。我跑了三次，这是我得到的计数：

  • Spark迭代1：402273852
  • Spark迭代2：402273884
  • Spark迭代3：402274209

Spark在整个过程中不会显示任何错误或异常。我在cqlsh中运行了三次相同的查询并再次获得了不同的结果：

  • Cqlsh迭代1：402273598
  • Cqlsh迭代2：402273499
  • Cqlsh迭代3：402273515

我无法找出为什么我从同一个查询得到不同的结果。 Cassandra系统日志（/var/log/cassandra/system.log）仅显示以下错误消息：

ERROR [SSTableBatchOpen:3] 2018-02-27 09:48:23,592 CassandraDaemon.java:226 - Exception in thread Thread[SSTableBatchOpen:3,5,main]
java.lang.AssertionError: Stats component is missing for sstable /media/db/datakeyspace/sensordata1-acfa7880acba11e782fd9bf3ae460699/mc-58617-big
        at org.apache.cassandra.io.sstable.format.SSTableReader.open(SSTableReader.java:460) ~[apache-cassandra-3.9.jar:3.9]
        at org.apache.cassandra.io.sstable.format.SSTableReader.open(SSTableReader.java:375) ~[apache-cassandra-3.9.jar:3.9]
        at org.apache.cassandra.io.sstable.format.SSTableReader$4.run(SSTableReader.java:536) ~[apache-cassandra-3.9.jar:3.9]
        at java.util.concurrent.Executors$RunnableAdapter.call(Executors.java:511) ~[na:1.8.0_131]
        at java.util.concurrent.FutureTask.run(FutureTask.java:266) ~[na:1.8.0_131]
        at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1142) ~[na:1.8.0_131]
        at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:617) [na:1.8.0_131]
        at java.lang.Thread.run(Thread.java:748) [na:1.8.0_131]

版本：

  • 卡桑德拉3.9。
  • Spark 2.1.0。
  • Datastax的spark-cassandra-connector 2.0.1
  • 比例版本2.11

簇：

  • Spark设置有3个worker和1个主节点。
  • 3个工作节点也安装了cassandra集群。
  • 每个工作节点有8个CPU核心和40 GB RAM。

任何帮助将不胜感激。

apache-spark cassandra pyspark spark-cassandra-connector
1个回答
3
投票

Spark Cassandra连接器的默认读取一致性为“LOCAL_ONE”，默认写入一致性为“LOCAL_QUORUM”，因此可以在使用该默认值进行完全修复之前读取部分数据。您可以为无法写入数据的节点读取“ONE”，但这不是错误，因为其他2个副本成功。因此，您应该将两个级别设置为QUORUM，或者将其中一个级别设置为ALL

config("spark.cassandra.input.consistency.level", "LOCAL_QUORUM").
config("spark.cassandra.output.consistency.level", "LOCAL_QUORUM").

默认的CQL shell级别也是ONE，所以你也应该增加它：

cqlsh> CONSISTENCY QUORUM
最新问题
© www.soinside.com 2019 - 2024. All rights reserved.