cassandra-commits mailing list archives

Site index · List index
Message view « Date » · « Thread »
Top « Date » · « Thread »
From Apache Wiki <>
Subject [Cassandra Wiki] Update of "HadoopSupport_JP" by yukim
Date Mon, 14 Jun 2010 13:57:45 GMT
Dear Wiki user,

You have subscribed to a wiki page or wiki category on "Cassandra Wiki" for change notification.

The "HadoopSupport_JP" page has been changed by yukim.


  ## page was copied from HadoopSupport
- Cassandra version 0.6 and later support running Hadoop jobs against data in Cassandra, out
of the box.  See for
an example.  (Inserting the ''output'' of a Hadoop job into Cassandra has always been possible.)
 Cassandra rows or row fragments (that is, pairs of key + `SortedMap` of columns) are input
to Map tasks for processing by your job, as specified by a `SlicePredicate` that describes
which columns to fetch from each row.  Here's how this looks in the word_count example, which
selects just one configurable columnName from each row:
+ # language ja
+ バージョン0.6以降のCassandraは、保持しているデータに対するHadoopのジョブ実行をサポートしています。
`SlicePredicate` で指定されます。word_countサンプルでは1つのカラムを各行から選択していますが、その部分の処理は以下のようになっています。
              ConfigHelper.setColumnFamily(job.getConfiguration(), KEYSPACE, COLUMN_FAMILY);
              SlicePredicate predicate = new SlicePredicate().setColumn_names(Arrays.asList(columnName.getBytes()));
              ConfigHelper.setSlicePredicate(job.getConfiguration(), predicate);
- Cassandra also provides a [[|Pig]] `LoadFunc` for running jobs
in the Pig DSL instead of writing Java code by hand.  This is in
+ Javaのコードを記述するのではなく[[|Pig]]のDSLでジョブを実行出来るようにCassandraは`LoadFunc`を提供します。
- Cassandra's splits are location-aware (this is the nature of the Hadoop InputSplit design).
 Cassandra gives hadoop a list of locations with each split of data, and Hadoop tries to schedule
jobs on instances near that data, which in practice means you should have Hadoop instances
on each of your Cassandra machines.
+ Cassandraのsplitはロケーションアウェアです(これはHadoopのInputSplitの設計の本質でもあります)。CassandraはデータのsplitとともにロケーションのリストもHadoopに渡します。Hadoopはデータに一番近いインスタンスでジョブを実行するようにスケジューリングします。ということはHadoopインスタンスをCassandraのマシンそれぞれに載せるのがよいでしょう。
+ 0.6.2/0.7より前のリリースでは、ジョブを失敗させる原因となるリソースのリークが確認されています(コネクションが正常にリリースされないことによるリソースリーク)。環境の設定によりますが、この問題に遭遇することがあります。回避策としては、プロセスがオープン可能なファイルディスクリプタの上限を上げることです(linux/bashでは`ulimit
-n 32000`とする、等)。エラーはHadoopのジョブ側にThriftのTimedOutExceptionとして報告されます。
- Releases before  0.6.2/0.7 are affected by a small resource leak that may cause jobs to
fail (connections are not released properly, causing a resource leak). Depending on your local
setup you may hit this issue, and workaround it by raising the limit of open file descriptors
for the process (e.g. in linux/bash using `ulimit -n 32000`). 
- The error will be reported on the hadoop job side as a thrift TimedOutException.
- If you are testing the integration against a single node and you obtain some failures, this
may be normal: you are probably overloading the single machine, which may again result in
timeout errors. You can workaround it by reducing the number of concurrent tasks
+ 1つのノードに対してHadoop連携テストを行っていて何らかのエラーが発生した場合、それは正常なことかもしれません。1台のマシンに対して負荷を与えすぎるとタイムアウトエラーが発生します。その場合、同時実行するタスクの数を減らすことで回避することが可能です。
               Configuration conf = job.getConfiguration(); 
- Also, you may reduce the size in rows of the batch you are reading from cassandra 
+ また、Cassandraからバッチで読み込む行数を減らすには以下のようにします。
               ConfigHelper.setRangeBatchSize(job.getConfiguration(), 1000);

View raw message