通过 Spark 连接到 Azure Cosmos DB for Apache Cassandra

项目
09/14/2024

适用对象： Cassandra

本文是有关 Spark 中 Azure Cosmos DB for Apache Cassandra 集成的系列文章中的一篇。这些文章介绍了连接、数据定义语言 (DDL) 操作、基本数据操作语言 (DML) 操作，以及 Spark 中的高级 Azure Cosmos DB for Apache Cassandra 集成。

先决条件

预配 Azure Cosmos DB for Apache Cassandra 帐户。
预配所选的 Spark 环境 [Azure Databricks | Azure HDInsight Spark | 其他]。

连接的依赖项

适用于 Cassandra 的 Spark 连接器：Spark 连接器用于连接到 Azure Cosmos DB for Apache Cassandra。请识别并使用 Maven 中心内与 Spark 环境的 Spark 和 Scala 版本兼容的连接器版本。建议使用支持 Spark 3.2.1 或更高版本的环境，并且 Spark 连接器在 maven 坐标 com.datastax.spark:spark-cassandra-connector-assembly_2.12:3.2.0 上可用。如果使用的是 Spark 2.x，建议使用 Spark 版本为 2.4.5 的环境，在 maven 坐标 com.datastax.spark:spark-cassandra-connector_2.11:2.4.3 处使用 spark 连接器。
适用于 API for Cassandra 的 Azure Cosmos DB 帮助程序库：如果使用的是 Spark 2.x 版本，则除了 Spark 连接器之外，还需要另一个名为 azure-cosmos-cassandra-spark-helper 的库（其中包含来自 Azure Cosmos DB 的 maven 坐标 com.microsoft.azure.cosmosdb:azure-cosmos-cassandra-spark-helper:1.2.0），用于处理速率限制。此库包含自定义连接工厂和重试策略类。

Azure Cosmos DB 中的重试策略配置为处理 HTTP 状态代码 429（“请求速率太大”）异常。 Azure Cosmos DB for Apache Cassandra 在 Cassandra 本机协议中将这些异常解释为过载错误，你可以结合退让进行重试。由于 Azure Cosmos DB 使用预配的吞吐量模型，当传入/传出速率增大时，会发生请求速率限制异常。重试策略可以防范 Spark 作业出现数据高峰（短暂性地超过为容器分配的吞吐量）。如果使用 Spark 3.x 连接器，则不需要实现此库。

注意

重试策略只能防范 Spark 作业出现短暂的高峰。如果尚未配置用于运行工作负荷的足够 RU，则重试策略不适用，并且重试策略类会再次引发异常。
Azure Cosmos DB 帐户连接详细信息：Azure API for Cassandra 帐户名称、帐户终结点和密钥。

优化 Spark 连接器吞吐量配置

下一节中列出的所有相关参数均使用 Spark Connector for Cassandra 来控制吞吐量。为了优化参数以最大程度地提高 spark 作业的吞吐量，需要对 spark.cassandra.output.concurrent.writes、spark.cassandra.concurrent.reads 和 spark.cassandra.input.reads_per_sec 进行正确的配置，以避免过多的限制和回退（从而导致吞吐量降低）。

这些配置的最优值取决于四个因素：

为数据引入的表配置的吞吐量（请求单位）。
Spark 群集中的辅助进程数。
为 Spark 作业配置的执行程序数（可以使用 spark.cassandra.connection.connections_per_executor_max 或 spark.cassandra.connection.remoteConnectionsPerExecutor 进行控制，取决于 Spark 版本）
如果位于同一数据中心，则为针对 Azure Cosmos DB 的每个请求的平均延迟。假设此值对于写入为 10 毫秒，对于读取为 3 毫秒。

例如，如果有五个辅助角色，且 spark.cassandra.output.concurrent.writes 的一个值 = 1，spark.cassandra.connection.remoteConnectionsPerExecutor 的一个值 = 1，则有五个辅助角色并发地写入表中，每个辅助角色各有一个线程。如果执行一次写入需要 10 毫秒，那么我们在每个线程中可以每秒发送 100 个请求（1000 毫秒除以 10）。若有五个辅助角色，每秒将写入 500 次。平均成本为每次写入五个请求单位 (RU)，目标表至少需要预配 2500 个请求单位（5 RU × 500 次写入/秒）。

增加执行程序数可能会增加给定作业中的线程数，进而增加吞吐量。但是，根据作业的不同，实际的影响可能有所不同，而使用辅助角色数控制吞吐量更具确定性。还可以通过分析给定请求来确定确切的成本，以获得请求单位 (RU) 费用。这有助于在预配表或密钥空间的吞吐量时提高准确性。点击此处查看相关文章，了解如何按照请求级别获取请求单位费用。

缩放数据库中的吞吐量

Cassandra Spark 连接器可以高效地使 Azure Cosmos DB 中的吞吐量饱和。因此，即使重试有效，用户也需要确保在表或密钥空间级别预配足够的吞吐量 (RU)，以防止与速率限制相关的错误。在给定表或密钥空间中，400 RU 的最小设置将无法满足要求。即使在最小吞吐量配置设置下，Spark 连接器也能以对应于大约 6000 请求单位或更多的速率进行写入。

如果使用 Spark 进行数据移动所需的 RU 设置高于稳定状态工作负载所需的设置，则可以轻松地在 Azure Cosmos DB 中系统化地扩展和缩减吞吐量来满足给定时间段内的工作负载需求。阅读有关 API for Cassandra 中的弹性缩放的文章，了解以编程方式和动态方式缩放的不同选项。

注意

上述指导的假设是数据分布相当均匀。如果数据严重倾斜（即，对同一分区键值进行过量的读取/写入），则即使表中预配了大量请求单位，也仍可能会遇到瓶颈。请求单位在物理分区中平均分配，重度的数据倾斜可能会导致对单个分区的请求出现瓶颈。

Spark 连接器吞吐量配置参数

下表列出了连接器提供的特定于 Azure Cosmos DB for Apache Cassandra 的吞吐量配置参数。有关所有配置参数的详细列表，请参阅 Spark Cassandra 连接器 GitHub 存储库的配置参考页。

属性名称	默认值	说明
spark.cassandra.output.batch.size.rows	1	每个批的行数。请将此参数设置为 1。此参数用于提高重型工作负荷的吞吐量。
spark.cassandra.connection.connections_per_executor_max (Spark 2.x) spark.cassandra.connection.remoteConnectionsPerExecutor (Spark 3.x)	无	每个执行器的每个节点的最大连接数。 10*n 相当于 n 节点 Cassandra 群集中每个节点可以建立 10 个连接。因此，如果需要为五节点 Cassandra 群集的每个执行器的每个节点建立五个连接，则应将此配置设置为 25。请根据为 Spark 作业配置的并行度或执行器数目修改此值。
spark.cassandra.output.concurrent.writes	100	定义每个执行器可以执行的并行写入数。由于“batch.size.rows”设置为 1，因此请务必相应地增大此值。请根据工作负荷要实现的并行度或吞吐量修改此值。
spark.cassandra.concurrent.reads	512	定义每个执行器可以执行的并行读取数。请根据工作负荷要实现的并行度或吞吐量修改此值
spark.cassandra.output.throughput_mb_per_sec	无	定义每个执行器的总写入吞吐量。可将此参数用作 Spark 作业吞吐量的上限，并根据 Azure Cosmos DB 容器的预配吞吐量修改此参数。
spark.cassandra.input.reads_per_sec	无	定义每个执行器的总读取吞吐量。可将此参数用作 Spark 作业吞吐量的上限，并根据 Azure Cosmos DB 容器的预配吞吐量修改此参数。
spark.cassandra.output.batch.grouping.buffer.size	1000	定义每个 Spark 任务的、在发送到 API for Cassandra 之前可以存储在内存中的批数
spark.cassandra.connection.keep_alive_ms	60000	定义在经过多长的时间之后未使用的连接可供使用。

请根据 Spark 作业的预期工作负载，以及为 Azure Cosmos DB 帐户预配的吞吐量，来调整这些参数的吞吐量和并行度。