spark cassandra 連接器在回讀時丟失數據

Question

我正在使用 spark cassandra 連接器（python）將 3000000 行和 8 列的數據寫入 cassandra，當我回讀時，我只得到 50000 行。 當我檢查 cqlsh 中的行數時，還有 50000 中的行數只有我的數據去哪里了 spark -cassandra 連接器有問題嗎？

這是我的火花配置

spark = SparkSession.builder.appName("das_archive").config(
"spark.driver.memory", "25g").config('spark.cassandra.connection.host',
                                     '127.0.0.1').config(
'spark.jars.packages',
'datastax:spark-cassandra-connector:2.4.0-s_2.11')

寫

 df.write.format("org.apache.spark.sql.cassandra").mode('append').options(
    table='shape1', keyspace="shape_db1").save(

讀

 load_options = {"table": "shape1", "keyspace": "shape_db1",
                "spark.cassandra.input.split.size_in_mb": "1000",
                'spark.cassandra.input.consistency.level': "ALL"}
data_frame = spark.read.format("org.apache.spark.sql.cassandra").options(
    **load_options).load()

Answer 1

最可能的原因是您沒有正確的主鍵 - 結果，數據被覆蓋。 您需要確保輸入數據的每一行都由列集唯一標識。

PS 如果您只是編寫存儲在 CSV 之類的數據中的數據，您可以查看DSBulk 之類的工具，該工具針對從 Cassandra 加載/卸載數據進行了高度優化。