hadoop - CqlInputFormat中的Hadoop Cassandra宽行

Question

我正在写一个使用Cassandra(v2.0.11)作为输入和输出的hadoop作业。

在我的hadoop工作中，我定义了输入列族:

ConfigHelper.setInputColumnFamily(job.getConfiguration(), KEYSPACE, INPUT_COLUMN_FAMILY, WIDE_ROWS);

其中WIDE_ROWS=true。我还将CqlInputFormat设置为阅读类:

job.setInputFormatClass(CqlInputFormat.class);

CqlInputFormat在其写入位置(link)使用CqlRecordReader:

// Because the old Hadoop API wants us to write to the key and value
// and the new asks for them, we need to copy the output of the new API
// to the old. Thus, expect a small performance hit.
// And obviously this wouldn't work for wide rows. But since ColumnFamilyInputFormat
// and ColumnFamilyRecordReader don't support them, it should be fine for now.
public boolean next(Long key, Row value) throws IOException
{
    if (nextKeyValue())
    {
        ((WrappedRow)value).setRow(getCurrentValue());
        return true;
    }
    return false;
}

我不太明白...当我检查ColumnFamilyRecordReader代码(link)时，似乎使用的是宽行...CqlInputFormat是否真的支持宽行？你能解释一下吗？

Answer 1

我对其进行了调查，并意识到CQL“转置”宽行，以便将每一列分别馈给map函数(CqlInputFormat运行CQL查询以从cassandra节点获取数据)。

当处理非常宽的行时，此方法不会导致OOM异常，因为CqlInputFormat使用CQL中可用的分页机制。每页只需要CqlConfigHelper.getInputCQLPageRowSize列。

不幸的是，在我的情况下效率不高，因为我想对每个行键执行“分组依据”操作以对列进行计数。而且，在成千上万个列的循环中增加计数器比仅使用columns.size()(如果有这种可能)要慢。

了解更多信息:
http://www.datastax.com/dev/blog/cql3-for-cassandra-experts
https://issues.apache.org/jira/browse/CASSANDRA-3264