scala - 将 Cassandra 查询数据组合/更新到从 Kafka 接收的结构化流

Question

我正在创建一个 Spark 结构化流应用程序，它将每 10 秒计算一次从 Kafka 接收的数据。

为了能够进行一些计算，我需要查找有关 Cassandra 数据库中的传感器和放置情况的一些信息

我有点困惑如何保持 Cassandra 数据在整个集群中可用，并以某种方式不时更新数据，以防我们对数据库表进行了一些更改。

目前，我使用 Datastax Spark-Cassandra-connector 在本地启动 Spark 后立即查询数据库

val cassandraSensorDf = spark
  .read
  .cassandraFormat("specifications", "sensors")
  .load

从这里开始，我可以通过将这个 cassandraSensorDs 与我的结构化流数据集连接来使用它。

.join(
   cassandraSensorDs ,
   sensorStateDf("plantKey") <=> cassandraSensorDf ("cassandraPlantKey")
)

在运行结构化流时，如何执行其他查询来更新此 Cassandra 数据？如何使查询的数据在集群设置中可用？

Answer 1

使用广播变量，您可以编写一个包装器来定期从 Cassandra 获取数据并更新广播变量。使用广播变量在流上执行映射端连接。我还没有测试过这种方法，我认为这可能是一种矫枉过正，具体取决于您的用例(吞吐量)。

How can I update a broadcast variable in spark streaming?

另一种方法是查询 Cassandra 以获取流中的每个项目，为了优化连接，您应该确保使用连接池并为 JVM/分区仅创建一个连接。这种方法更简单，您不必担心定期加热 Cassandra 数据。

spark-streaming and connection pool implementation