python - pyspark 未连接到本地 cassandra

Question

我正在尝试使用 pyspark 从 cassandra 表中读取数据。我使用的代码如下所示

import pandas as pd
import numpy as np
from pyspark import *
import os
from pyspark.sql import SQLContext

os.environ['PYSPARK_SUBMIT_ARGS'] = '--packages com.datastax.spark:spark-cassandra-connector_2.12:3.0.0 --conf spark.cassandra.connection.host=127.0.0.1 pyspark-shell'
conf = SparkConf().set("spark.cassandra.connection.host", "127.0.0.1").set("spark.cassandra.connection.port", "9042").setAppName("Sentinel").setMaster("spark://Suraj-Vashistha-Laptop:7077")
sc = SparkContext(conf=conf)
sqlContext = SQLContext(sc)

table_df = sqlContext.read\
        .format("org.apache.spark.sql.cassandra")\
        .options(table='movies', keyspace='practice')\
        .load()

我什至使用了 spark-cassandra-connector 版本 3.0.0 ，python 3

Spark 已启动并运行，如下所示：

因此，如上所示，有一个 spark 实例已初始化并且处于等待状态。它在默认 localhost:8080 中运行

Cassandra 也已启动并运行：

Cassandra 也在 localhost:9042 上运行

所以两者都在本地机器上。尽管如此，我仍然无法连接和运行代码。我收到以下错误：

Py4JJavaError: An error occurred while calling o36.load.
: java.io.IOException: Failed to open native connection to Cassandra at {127.0.0.1:9042} :: Could not reach any contact point, make sure you've provided valid addresses 

关于堆栈溢出也有类似的问题，但它们都是 2 或 3 岁以上，而且没有一个答案对我有用。因此，我再次要求这个新的视角。

我的 cassandra 版本详细信息是 [cqlsh 6.0.0 | 卡桑德拉 4.0 | CQL 规范 3.4.5 | 本机协议 v5]

我只保留了最新版本的所有内容。

所以，我无法弄清楚出了什么问题，因为一切似乎都在运行，但错误说无法到达任何联系点。什么地方出了错？？

编辑：我最近能够使用完全相同的代码并连接到托管在不同 IP（10.160.0.2）上的 cassandra 数据库，但对于 localhost 它不起作用。

EDIT2：我在 spark-shell 上逐行执行相同的代码（我有 localhost 而不是第一个编辑 IP 的代码）。我将它作为 spark-shell --packages datastax的 cassandra 连接器启动。因此，我观察到在到达 .load() 或 .show() 或 .first() 之前一切正常。我可以做以下

val conf = new SparkConf(true).set("spark.cassandra.connection.host", cassandraHost)
val sc = new SparkContext("spark://" + sparkMasterHost + ":7077", "example", conf)
val rdd = sc.cassandraTable(keyspace, table)

此时输出（我放在下一行）是一个创建的对象，到目前为止没有发现错误

rdd: com.datastax.spark.connector.rdd.CassandraTableScanRDD[com.datastax.spark.connector.CassandraRow] = CassandraTableScanRDD[0] at RDD at CassandraRDD.scala:18

当我尝试执行 rdd.show() 或 rdd.first() 或 rdd.collect() 时，接下来会出现问题。而且我得到了我在上面的问题中发布的相同错误（无法打开本机连接，无法到达任何联系点）。

标签： pythonpysparkcassandradatastaxspark-cassandra-connector

Answer 1

此异常表明您很可能遇到网络连接问题：

java.io.IOException: Failed to open native connection to Cassandra at {127.0.0.1:9042} :: \
  Could not reach any contact point, make sure you've provided valid addresses

您的 pyspark 应用程序无法连接到localhost端口9042。检查您是否没有阻止访问 Cassandra 节点的软件iptables防火墙firewalld。

要检查的另一件事是您为rpc_address. 作为测试的替代方法，将 RPC 地址设置为笔记本电脑的 IP 并重新启动 Cassandra。然后spark.cassandra.connection.host在你的 pyspark 配置中设置你的笔记本电脑的 IP，看看它是否有效。

作为旁注，您在第二次编辑中说明了这一点：

我将它作为 spark-shell --packages datastax 的 cassandra 连接器启动。因此，我观察到在到达 .load() 或 .show() 或 .first() 之前一切正常。

这样做的原因是 Spark 中的评估是惰性的——在您调用操作之前不会执行任何操作。在调用类似的操作之前，您不会看到任何错误，collect()因为在您的代码中没有执行任何操作。干杯!