怎么實(shí)現(xiàn)Cassandra與Hadoop MapReduce的整合

這篇文章主要介紹怎么實(shí)現(xiàn)Cassandra與Hadoop MapReduce的整合，文中介紹的非常詳細(xì)，具有一定的參考價值，感興趣的小伙伴們一定要看完！

整合Cassandra與Hadoop MapReduce

看到這個標(biāo)題，大家一定會問了。這個整合如何定義？

我個人認(rèn)為，所謂的整合是指：我們可以編寫MapReduce程序，從HDFS中讀取數(shù)據(jù)然后插入到Cassandra中。也可以是直接從Cassandra中讀取數(shù)據(jù)，然后進(jìn)行相應(yīng)的計算。

從HDFS中讀取數(shù)據(jù)然后插入到Cassandra中

對于這種類型，我們可以按照以下幾個步驟來操作。

1將需要插入Cassandra的數(shù)據(jù)上傳到HDFS中。

2啟動Hadoop MapReduce程序。

這種類型的整合其實(shí)和Cassandra本身沒有什么聯(lián)系。我們只是運(yùn)行普通的MapReduce程序，然后在Map或者Reduce端將計算好的數(shù)據(jù)插入到Cassandra中。僅此而已。

直接從Cassandra中讀取數(shù)據(jù)，然后進(jìn)行相應(yīng)的計算

這個功能是在Cassandra0.6.x版本中添加上去的。其可以從Cassandra直接讀取MapReduce需要的數(shù)據(jù)，實(shí)現(xiàn)對于Cassandra的全表掃描的功能。

操作步驟如下：

1在MapReduce程序中指定使用的KeySpace，ColumnFamily，和SlicePredicate等和Cassandra相關(guān)的參數(shù)。（關(guān)于這些概念，可以參考《大話Cassandra數(shù)據(jù)模型》和《談?wù)凜assandra的客戶端》）

2啟動Hadoop MapReduce程序。

這種類型的整合和從HDFS讀取數(shù)據(jù)的整合相比，還是有許多不同的，主要有下面幾點(diǎn)區(qū)別：

1輸入數(shù)據(jù)來源不同：前一種是從HDFS中讀取輸入數(shù)據(jù)，后一種是從Cassandra中直接讀取數(shù)據(jù)。

2Hadoop的版本不同：前一種可以使用任何版本的Hadoop，后一種只能使用Hadoop0.20.x

整合Hadoop0.19.x與Cassandra0.6.x

在Cassandra0.6.x中，默認(rèn)實(shí)現(xiàn)的是與Hadoop0.20.x的整合，我們無法直接在Hadoop0.19.x中使用。

所以，要實(shí)現(xiàn)這個目標(biāo)，我們***步需要做的事情是，修改Cassandra的源代碼，提供一個可以在Hadoop0.19.x中使用的功能。

想要進(jìn)行這項(xiàng)測試，我們可以按照如下步驟來進(jìn)行：

1下載修改后的代碼。

2在MapReduce中指定如下內(nèi)容（注意，這里的class使用的package都是com.alibaba.dw.cassandra.hadoop下面的）：

ConfigHelper.setColumnFamily(conf,Keyspace,MemberCF,"/home/admin/apache-cassandra-0.6.1/conf");SlicePredicatepredicate=newSlicePredicate().setColumn_names(Arrays.asList("CITY".getBytes(UTF8),"EMPLOYEES_COUNT".getBytes(UTF8)));ConfigHelper.setSlicePredicate(conf,predicate);ConfigHelper.setRangeBatchSize(conf,512);ConfigHelper.setSuperColumn(conf,"MemberInfo");
3確保每一臺運(yùn)行MapReduce的機(jī)器的指定目錄與MapReduce程序中設(shè)定的storage-conf.xml文件路徑一致。

4運(yùn)行 Hadoop MapReduce程序。

存在的問題與改進(jìn)
在實(shí)際的使用中，我們會發(fā)現(xiàn)Map端會出現(xiàn)這樣的錯誤信息：

java.lang.RuntimeException:TimedOutException()atcom.alibaba.dw.cassandra.hadoop.ColumnFamilyRecordReader$RowIterator.maybeInit(ColumnFamilyRecordReader.java:125)atcom.alibaba.dw.cassandra.hadoop.ColumnFamilyRecordReader$RowIterator.computeNext(ColumnFamilyRecordReader.java:164)atcom.alibaba.dw.cassandra.hadoop.ColumnFamilyRecordReader$RowIterator.computeNext(ColumnFamilyRecordReader.java:1)atcom.google.common.collect.AbstractIterator.tryToComputeNext(AbstractIterator.java:135)atcom.google.common.collect.AbstractIterator.hasNext(AbstractIterator.java:130)atcom.alibaba.dw.cassandra.hadoop.ColumnFamilyRecordReader.next(ColumnFamilyRecordReader.java:224)atcom.alibaba.dw.cassandra.hadoop.ColumnFamilyRecordReader.next(ColumnFamilyRecordReader.java:1)atorg.apache.hadoop.mapred.MapTask$TrackedRecordReader.moveToNext(MapTask.java:192)atorg.apache.hadoop.mapred.MapTask$TrackedRecordReader.next(MapTask.java:176)atorg.apache.hadoop.mapred.MapRunner.run(MapRunner.java:48)atorg.apache.hadoop.mapred.MapTask.run(MapTask.java:342)atorg.apache.hadoop.mapred.Child.main(Child.java:158)Causedby:TimedOutException()atorg.apache.cassandra.thrift.Cassandra$get_range_slices_result.read(Cassandra.java:11015)atorg.apache.cassandra.thrift.Cassandra$Client.recv_get_range_slices(Cassandra.java:623)atorg.apache.cassandra.thrift.Cassandra$Client.get_range_slices(Cassandra.java:597)atcom.alibaba.dw.cassandra.hadoop.ColumnFamilyRecordReader$RowIterator.maybeInit(ColumnFamilyRecordReader.java:108)...11more

引起這樣的問題的原因就在于使用ThriftAPI從Cassandra讀取數(shù)據(jù)失敗了。所以我們可以優(yōu)化這段代碼，提供想要的錯誤處理功能來提供程序的可用性。

以上是“怎么實(shí)現(xiàn)Cassandra與Hadoop MapReduce的整合”這篇文章的所有內(nèi)容，感謝各位的閱讀！希望分享的內(nèi)容對大家有幫助，更多相關(guān)知識，歡迎關(guān)注億速云行業(yè)資訊頻道！