在學(xué)習(xí)Hadoop的過程中，你可能會遇到整合Cassandra與Hadoop MapReduce問題，在這里向大家簡單介紹一下，希望通過本節(jié)的介紹大家能夠掌握整合Cassandra與Hadoop MapReduce的方法。

整合Cassandra與Hadoop MapReduce

看到這個標(biāo)題，大家一定會問了。這個整合如何定義？

我個人認為，所謂的整合是指：我們可以編寫MapReduce程序，從HDFS中讀取數(shù)據(jù)然后插入到Cassandra中。也可以是直接從Cassandra中讀取數(shù)據(jù)，然后進行相應(yīng)的計算。

從HDFS中讀取數(shù)據(jù)然后插入到Cassandra中

對于這種類型，我們可以按照以下幾個步驟來操作。

1將需要插入Cassandra的數(shù)據(jù)上傳到HDFS中。

2啟動Hadoop MapReduce程序。

這種類型的整合其實和Cassandra本身沒有什么聯(lián)系。我們只是運行普通的MapReduce程序，然后在Map或者Reduce端將計算好的數(shù)據(jù)插入到Cassandra中。僅此而已。

直接從Cassandra中讀取數(shù)據(jù)，然后進行相應(yīng)的計算

這個功能是在Cassandra0.6.x版本中添加上去的。其可以從Cassandra直接讀取MapReduce需要的數(shù)據(jù)，實現(xiàn)對于Cassandra的全表掃描的功能。

操作步驟如下：

1在MapReduce程序中指定使用的KeySpace，ColumnFamily，和SlicePredicate等和Cassandra相關(guān)的參數(shù)。（關(guān)于這些概念，可以參考《大話Cassandra數(shù)據(jù)模型》和《談?wù)凜assandra的客戶端》）

2啟動Hadoop MapReduce程序。

這種類型的整合和從HDFS讀取數(shù)據(jù)的整合相比，還是有許多不同的，主要有下面幾點區(qū)別：

1輸入數(shù)據(jù)來源不同：前一種是從HDFS中讀取輸入數(shù)據(jù)，后一種是從Cassandra中直接讀取數(shù)據(jù)。

2Hadoop的版本不同：前一種可以使用任何版本的Hadoop，后一種只能使用Hadoop0.20.x

整合Hadoop0.19.x與Cassandra0.6.x

在Cassandra0.6.x中，默認實現(xiàn)的是與Hadoop0.20.x的整合，我們無法直接在Hadoop0.19.x中使用。

所以，要實現(xiàn)這個目標(biāo)，我們***步需要做的事情是，修改Cassandra的源代碼，提供一個可以在Hadoop0.19.x中使用的功能。

想要進行這項測試，我們可以按照如下步驟來進行：

1下載修改后的代碼。

2在MapReduce中指定如下內(nèi)容（注意，這里的class使用的package都是com.alibaba.dw.cassandra.hadoop下面的）：

ConfigHelper.setColumnFamily(conf,Keyspace,MemberCF,"/home/admin/apache-cassandra-0.6.1/conf");SlicePredicatepredicate=newSlicePredicate().setColumn_names(Arrays.asList("CITY".getBytes(UTF8),"EMPLOYEES_COUNT".getBytes(UTF8)));ConfigHelper.setSlicePredicate(conf,predicate);ConfigHelper.setRangeBatchSize(conf,512);ConfigHelper.setSuperColumn(conf,"MemberInfo");
3確保每一臺運行MapReduce的機器的指定目錄與MapReduce程序中設(shè)定的storage-conf.xml文件路徑一致。

4運行 Hadoop MapReduce程序。

存在的問題與改進
在實際的使用中，我們會發(fā)現(xiàn)Map端會出現(xiàn)這樣的錯誤信息：

java.lang.RuntimeException:TimedOutException()atcom.alibaba.dw.cassandra.
hadoop.ColumnFamilyRecordReader$RowIterator.maybeInit(ColumnFamilyRecordReader.java:125)atcom.
alibaba.dw.cassandra.hadoop.ColumnFamilyRecordReader$RowIterator.
computeNext(ColumnFamilyRecordReader.java:164)atcom.alibaba.dw.cassandra.hadoop.
ColumnFamilyRecordReader$RowIterator.computeNext(ColumnFamilyRecordReader.java:1)atcom.google.
common.collect.AbstractIterator.tryToComputeNext(AbstractIterator.java:135)atcom.google.common.collect.
AbstractIterator.hasNext(AbstractIterator.java:130)atcom.alibaba.dw.cassandra.hadoop.ColumnFamilyRecordReader.
next(ColumnFamilyRecordReader.java:224)atcom.alibaba.dw.cassandra.hadoop.ColumnFamilyRecordReader.
next(ColumnFamilyRecordReader.java:1)atorg.apache.hadoop.mapred.MapTask$TrackedRecordReader.
moveToNext(MapTask.java:192)atorg.apache.hadoop.mapred.MapTask$TrackedRecordReader.
next(MapTask.java:176)atorg.apache.hadoop.mapred.MapRunner.run(MapRunner.java:48)atorg.apache.
hadoop.mapred.MapTask.run(MapTask.java:342)atorg.apache.hadoop.mapred.Child.main(Child.java:158)
Causedby:TimedOutException()atorg.apache.cassandra.thrift.Cassandra$get_range_slices_result.read
(Cassandra.java:11015)atorg.apache.cassandra.thrift.Cassandra$Client.recv_get_range_slices
(Cassandra.java:623)atorg.apache.cassandra.thrift.Cassandra$Client.get_range_slices(Cassandra.java:597)
atcom.alibaba.dw.cassandra.hadoop.ColumnFamilyRecordReader$RowIterator.maybeInit(ColumnFamilyRecordReader.java:108)...11more  

引起這樣的問題的原因就在于使用ThriftAPI從Cassandra讀取數(shù)據(jù)失敗了。所以我們可以優(yōu)化這段代碼，提供想要的錯誤處理功能來提供程序的可用性。本節(jié)關(guān)于Cassandra與Hadoop MapReduce整合方面的知識介紹到這里。

【編輯推薦】

1. HadoopHBase實現(xiàn)配置簡單的單機環(huán)境
2. 專家指導(dǎo) 如何進行Hadoop分布式集群配置
3. Hadoop集群與Hadoop性能優(yōu)化
4. Hadoop創(chuàng)建Hbase表方法指導(dǎo)
5. 深入剖析Hadoop HBase