Cassandra使用pycassa批量导入数据

本周接手了一个Cassandra系统的维护工作，有一项是需要将应用方的数据导入我们维护的Cassandra集群，并且为应用方提供HTTP的方式访问服务。这是我第一次接触KV系统，原来只是走马观花似的看过KV啊，NoSQL啊。但是实际上没有实际的使用经验。经过两天的学习和接手，终于搞明白了在生产环境中的使用方式。在此简要的笔记一下。本文主要包括的内容有：

Cassandra的简介，

Cassandra的相关CLI

Cassandra的Python API，并且给出一个批量导入数据的例子。

1. Cassandra简介

Cassandra的主要特点就是它不是一个数据库，而是由一堆数据库节点共同构成的一个分布式网络服务，对Cassandra 的一个写操作，会被复制到其他节点上去，对Cassandra的读操作，也会被路由到某个节点上面去读取。对于一个Cassandra群集来说，扩展性能 是比较简单的事情，只管在群集里面添加节点就可以了。

Cassandra是一个混合型的非关系的数据库，类似于Google的BigTable。其主要功能比 Dynomite（分布式的Key-Value存 储系统）更丰富，但支持度却不如文档存储MongoDB（介于关系数据库和非关系数据库之间的开源产品，是非关系数据库当中功能最丰富，最像关系数据库 的。支持的数据结构非常松散，是类似json的bjson格式，因此可以存储比较复杂的数据类型。）Cassandra最初由Facebook开发，后转变成了开源项目。它是一个网络社交云计算方面理想的数据库。以Amazon专有的完全分布式的Dynamo为基础，结合了Google BigTable基于列族（Column Family）的数据模型。P2P去中心化的存储。很多方面都可以称之为Dynamo 2.0。

和其他数据库比较，有几个突出特点：

1. 模式灵活 ：使用Cassandra，像文档存储，你不必提前解决记录中的字段。你可以在系统运行时随意的添加或移除字段。这是一个惊人的效率提升，特别是在大型部 署上。
2. 真正的可扩展性 ：Cassandra是纯粹意义上的水平扩展。为给集群添加更多容量，可以指向另一台电脑。你不必重启任何进程，改变应用查询，或手动迁移任何数据。
3. 多数据中心识别 ：你可以调整你的节点布局来避免某一个数据中心起火，一个备用的数据中心将至少有每条记录的完全复制。

一些使Cassandra提高竞争力的其他功能：

1. 范围查询 ：如果你不喜欢全部的键值查询，则可以设置键的范围来查询。
2. 列表数据结构 ：在混合模式可以将超级列添加到5维。对于每个用户的索引，这是非常方便的。
3. 分布式写操作 ：可以在任何地方任何时间集中读或写任何数据。并且不会有任何单点失败。

2. 基础命令

连接

./cassandra-cli-h 10.224.52.73 -port 9160

集群式自动负载的，因此连接任意一个节点即可。

Check schema

show schema;

在创建了schema或者列族后，可以使用时命令确认是否成功

在运行改命令前，需要使用命令use keyspace_name; 否则会遇到以下错误：

Not authorized to a working keyspace

list

list column_family_name;

可以显示列族的前100列。

3. 批量导入

实验数据来自搜狗实验室的中文词语搭配库，http://www.sogou.com/labs/dl/r.html。

数据格式如下：

词语1_词语2 \t 两个词共同出现的次数

在这里并不讨论该数据的具体意义，只是以这个数据为起点来说明如何向应用方提供服务。

部分实际数据：

都要_打牌>--4

等候_一次>--26

本刊_重要>--3                                                                                                                                                                  关系_全方位>14                                                                                                                                                                加热_迅速>--107

设计列族名为 test_only, cli 如下：

create column family test_only

with column_type = 'Standard'

andcomparator = 'UTF8Type'

anddefault_validation_class = 'BytesType'

andkey_validation_class = 'UTF8Type'

andread_repair_chance = 0.1

anddclocal_read_repair_chance = 0.0

andgc_grace = 864000

andmin_compaction_threshold = 4

andmax_compaction_threshold = 32

andreplicate_on_write = true

andcompaction_strategy = 'org.apache.cassandra.db.compaction.SizeTieredCompactionStrategy'

andcaching = 'KEYS_ONLY'

and column_metadata = [

{column_name : 'count',

validation_class : UTF8Type}]

andcompression_options = {'sstable_compression' :'org.apache.cassandra.io.compress.SnappyCompressor'};

连接到Cassandra：pycassa.ConnectionPool(‘keyspace_name’, server_list)

具体到我们的例子就是：

con = pycassa.ConnectionPool('History',server_list=["server1:9160", "server2:9160","server3:9160"])

获取列族：

cf = pycassa.ColumnFamily(con, cfName)

插入一条数据：

cf.insert('row_key', {'col_name': 'col_val'})  

批量插入：

cf.batch_insert({'row1': {'name1': 'val1', 'name2': 'val2'},                                           'row2': {'foo': 'bar'}})  

获取一条数据：

cf.get(‘row_key’)

获取某一列的值:

cf.get(‘row_key’)[‘column_name’]

下面是具体的代码实现：

import pycassa
import time
batch_size = 100
def pycassa_connect():                                                                                                                                                                                                                      

    #start = time.time()
    return pycassa.ConnectionPool('History', server_list=["192.168.1.20:9160"])
    #end = time.time()
    #print "Mola init time: ", (end - start)                                                                                                                                                                                                

def batch_insert(file_path, cf):
    global batch_size
    f = open(file_path, "r")
    count=0
    error_count = 0
    kvmap = {}
    for line in f:--
        list = line.split("\t")
        if len(list) != 2 :
            print "skip error data"
            continue
        column = {}
        column['count'] = list[1].replace('\n', '')
        try:
            kvmap[list[0].decode('gb2312').encode('utf-8')] = column-
            if len(kvmap) % batch_size == 0:
                cf.batch_insert(kvmap)
                kvmap.clear()
            count = count + 1
        except Exception, ex:
            print "found execption"
            print ex
            error_count = error_count + 1
    f.close()
    if len(kvmap) > 0 :
        cf.batch_insert(kvmap)
----
    for key in kvmap:
        print "key is %s, value is %s"%(key, kvmap[key])-
    print "total insert data is %d, error is %d"%(count, error_count)

如何测试数据是正确的？

def test_after_insert(file_path, cf):
    f = open(file_path, "r")
    error_count=0
    print "Test started"
    for line in f:--
        list = line.split("\t")
        if len(list) != 2 :
            print "skip error data"
            continue
        count = list[1].replace('\n', '')
        if cf.get(list[0].decode('gb2312').encode('utf-8'))['count'] != count:
            print "Key %s doesn't match value %s"%(list[0].decode('gb2312').encode('utf-8'), count)
            error_count = error_count + 1
    print "Test completed, found %d error(s)."%error_count
    f.close()