Cassandra/Spark 显示不正确的大表条目数

Question

我正在尝试使用 spark 来处理大型 cassandra 表（约 4.02 亿个条目和 84 列），但得到的结果不一致。最初的要求是将一些列从这个表复制到另一个表。复制数据后，我注意到新表中的某些条目丢失了。为了验证我是否对大型源表进行了计数，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，我尝试使用 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大约 90 分钟才能完成。我跑了三遍，这是我得到的计数：

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

Spark 在整个过程中没有显示任何错误或异常。我在 cqlsh 中运行了三次相同的查询，再次得到不同的结果：

• 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中得到不同的结果。Cassandra 系统日志 (/var/log/cassandra/system.log) 只显示了一次以下错误消息：

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。
• 火花 2.1.0。
• Datastax 的 spark-cassandra-connector 2.0.1
• 斯卡拉 2.11 版

簇：

• Spark 设置有 3 个工作节点和 1 个主节点。
• 3 个工作节点还安装了一个 cassandra 集群。
• 每个工作节点有 8 个 CPU 内核和 40 GB RAM。

任何帮助将不胜感激。

Answer 1

Spark Cassandra 连接器默认读取一致性为“LOCAL_ONE”，默认写入一致性为“LOCAL_QUORUM”，因此可以使用该默认值在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 BOTH 级别设置为 QUORUM 或将其中之一设置为 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