我正在创建一个Spark结构化流应用程序，它将每10秒计算一次从Kafka接收的数据。
为了能够进行一些计算，我需要在Cassandra数据库中查找有关传感器和放置的一些信息。
如果我们对数据库表进行了一些更改，我会全神贯注于如何在整个群集中保持Cassandra数据的可用性，以及不时更新数据的方式。
目前，我正在使用Datastax Spark-Cassandra-connector在本地启动Spark时立即查询数据库
val cassandraSensorDf = spark
.read
.cassandraFormat("specifications", "sensors")
.load
从这里开始，我可以将此
cassandraSensorDs与我的结构化流数据集结合使用。.join(
cassandraSensorDs ,
sensorStateDf("plantKey") <=> cassandraSensorDf ("cassandraPlantKey")
)
在运行结构化流时，如何执行其他查询来更新此Cassandra数据？
以及如何使查询的数据在群集设置中可用？
最佳答案
使用广播变量，您可以编写包装器以定期从Cassandra获取数据并更新广播变量。使用广播变量在流上进行 map 侧联接。我还没有测试过这种方法，我认为根据您的用例(吞吐量)，这可能也是一个过大的杀伤力。
How can I update a broadcast variable in spark streaming?
另一种方法是查询流中每个项目的Cassandra，以优化连接，您应确保使用连接池并仅为JVM/分区创建一个连接。这种方法更简单，您不必担心定期预热Cassandra数据。
spark-streaming and connection pool implementation