转换CassandraTableScanRDD org.apache.spark.rdd.RDD

Posted 2021-05-04

我有以下情况。我有大型Cassandra表（有大量列），我想用Spark处理。我只希望将选定的列加载到Spark（在Cassandra服务器本身上应用选择和过滤）

 val eptable = 
 sc.cassandraTable("test","devices").select("device_ccompany","device_model","devi
 ce_type")

上面的语句给出了一个CassandraTableScanRDD，但我如何将其转换为DataSet / DataFrame？

Si还有其他任何方式我可以对列进行服务器端过滤并获取数据帧吗？

答案

在DataStax Spark Cassandra Connector中，您可以将Cassandra数据作为Dataset读取，并在服务器端修剪列，如下所示：

val df = spark
 .read
 .format("org.apache.spark.sql.cassandra")
 .options(Map( "table" -> "devices", "keyspace" -> "test" ))
 .load()

val dfWithColumnPruned = df
 .select("device_ccompany","device_model","device_type")

请注意，我在阅读后执行的selection操作是使用Catalyst优化推送到服务器端的。有关详细信息，请参阅此document。