有人可以解释 MapReduce 如何与 Cassandra .6 一起工作吗？我已经阅读了字数统计示例，但我不太了解 Cassandra 端与“客户端”端发生的情况。
https://svn.apache.org/repos/asf/cassandra/trunk/contrib/word_count/
例如，假设我正在使用 Python 和 Pycassa，我将如何加载一个新的 map reduce 函数，然后调用它？我的 map reduce 功能必须是安装在 cassandra 服务器上的 java 吗？如果是这样，我如何从 Pycassa 调用它？
还有人提到 Pig 让这一切变得更容易，但我是一个完整的 Hadoop 菜鸟，所以这并没有真正帮助。
您的答案可以使用 Thrift 或其他任何东西，我刚刚提到 Pycassa 来表示客户端。我只是想了解 Cassandra 集群中运行的内容与发出请求的实际服务器之间的区别。
根据我所听到的（以及从这里），开发人员编写使用 Cassandra 作为数据源的 MapReduce 程序的方式如下。您编写了一个常规的 MapReduce 程序（您链接到的示例是纯 Java 版本）并且现在可用的 jar 提供了一个 CustomInputFormat，它允许输入源是 Cassandra（而不是默认的 Hadoop）。
如果您使用的是 Pycassa，我会说您很不走运，直到 (1) 该项目的维护者添加对 MapReduce 的支持或 (2) 您将一些 Python 函数放在一起编写 Java MapReduce 程序并运行它. 后者绝对是一个小技巧，但会让你振作起来。
It Knows about the locality ; The Cassandra InputFormat overrides getLocations() to preserve data locality
使用 cassandra 的直接 InputFormat 的胜利在于它可以有效地流式传输数据，这是一个非常大的胜利。每个输入拆分都覆盖了一系列令牌，并以其全部带宽从磁盘上滚下来：没有搜索，没有复杂的查询。我认为它不知道局部性——让每个 tasktracker 更喜欢来自同一节点上的 cassandra 进程的输入拆分。
您可以尝试将 Pig 与 STREAM 方法一起用作 hack，直到更直接的 hadoop 流支持到位。