Apache spark 火花池选项

我很难理解如何使用池选项的设置，也无法判断它们是否从该来源工作：

SparkSession val会考虑集群中的池选项吗

我的Scala代码：

package com.zeropoints.processing

import org.apache.spark.SparkContext
import org.apache.spark.SparkConf
import org.apache.spark.sql.SparkSession
import com.datastax.spark.connector._
import com.datastax.driver.core.Cluster
import com.datastax.driver.core.PoolingOptions
import com.datastax.driver.core.HostDistance

//This object provides the main entry point into spark processing
object main {

  var appName = "Processing" 

  lazy val sparkconf:SparkConf = new SparkConf(true).setAppName(appName)

  lazy val poolingOptions:PoolingOptions = new PoolingOptions()

  lazy val cluster:Cluster = Cluster.builder().withPoolingOptions(poolingOptions).build()

  lazy val spark:SparkSession = SparkSession.builder().config(sparkconf).getOrCreate

  lazy val sc:SparkContext = spark.sparkContext

  def main(args: Array[String]) {
    //Set pooling stuff
    poolingOptions.setConnectionsPerHost(HostDistance.LOCAL, 6, 60)

    //DF and RDDs tasks...
    spark.sql("select * from data.raw").groupBy("key1,key2").agg(sum("views")).
        write.format("org.apache.spark.sql.cassandra").options(Map( "table" -> "summary", "keyspace" -> "data")).
        mode(org.apache.spark.sql.SaveMode.Append).save()

    //..more stuff
  }

}

---

不，Spark Connector不会考虑您的池配置-它以不同的方式工作，特别是当您考虑在分布式环境中执行代码时-您的

setConnectionsPerHost

仅在驱动程序中执行，不会影响执行者

正确的方法是通过Spark配置参数指定必要的设置。文档具有和

连接。每个执行器的连接\u max

可能是您所需要的。您还可以编写自己的类来实现trait

CassandraConnectionFactory

，并提供

createCluster

函数的实现。然后可以将该类名指定为

connection.factory

配置参数

---

但主要的问题是——你真的需要调整这些选项吗？你认为处理速度慢吗？Java驱动程序文档建议每个主机有一个连接，以避免给Cassandra带来额外的负载。

完全同意，增加每个主机的连接不太可能提高性能。在测试中，我发现通过增加值，您可以获得一些吞吐量改进，但通常只有在完全停止加载时，即使这样，改进也非常有限。我将研究更新datastax驱动程序文档以使其更加清晰。好的，看起来您的Spark代码正在到达默认限制为256个机上请求的“远程DC”。您可以尝试将

connection.local\u dc

参数设置为您的“本地”Casasndra数据中心的名称-在某些情况下，驱动程序无法猜到您的代码位于何处。很抱歉，回复太晚。我将尝试设置它，看看它是如何进行的。谢谢你的帮助