Cassandra 数据模型

Posted 2023-04-18

【中文标题】Cassandra 数据模型

【英文标题】：Cassandra data model

【发布时间】：2014-04-08 20:28:53

【问题描述】：

我是一名 cassandra 新手，试图了解如何在 cassandra 中对我们当前的 sql 数据进行建模。数据库存储文档元数据，其中包括 document_id、last_modified_time、size_in_bytes 以及许多其他数据，并且文档的数量可以任意大，因此我们正在寻找一种可扩展的存储和查询解决方案。

需要2个范围查询

选择 last_modified_time >=x 和 last_modified_time 的所有文档 选择所有尺寸 >= x 和尺寸

还有一组查询，其中文档需要按特定元数据分组，例如

选择用户在 (x,y,z) 中的所有文档

根据这些查询设计数据模型的最佳做法是什么？

我最初的想法是有一个表（在 Cassandra 2.0，CQL 3.0 中），其中 last_mod_time 作为二级索引，如下所示

创建表 t_document ( 文档 ID 大整数， last_mod_time bigint , 大小大整数， 用户文本， …… 主键（document_id，last_mod_time）

这应该处理查询 1。

我是否需要为查询 2 创建另一个主键为 (document_id, size) 的表？或者我可以将大小添加为同一个表的主键中的第三项，例如（document_id、last_mod_time、大小）。但是在这种情况下，第二个查询是否会在 where 子句中不使用 last_mod_time 的情况下工作？

对于一个或多个用户的所有文档的查询 3，创建一个主键为 (user, doc_id) 的 t_user_doc 表是最佳实践吗？或者更好的方法是在同一个 t_document 表上为用户创建二级索引？

感谢您的帮助。

【参考方案1】：

谈到不平等时，您在 Cassandra 中没有太多选择。它们必须是前导集群列（或二级索引）。因此数据模型可能如下所示：

CREATE TABLE docs_by_time (
dummy int,
last_modified_time timestamp,
document_id bigint,
size_in_bytes bigint,
PRIMARY KEY ((dummy),last_modified_time,document_id));

“虚拟”列始终设置为相同的值，并被用作占位符分区键，所有数据都存储在单个分区中。

这种数据模型的缺点是，事实上，所有数据都存储在一个分区中。每个分区最多有 20 亿个单元，但更重要的是，单个分区永远不会跨越节点。所以这种方法无法扩展。

您可以在表上创建二级索引：

CREATE TABLE docs (
document_id bigint,
last_modified_time timestamp,    
size_in_bytes bigint,
PRIMARY KEY ((dummy),last_modified_time,document_id));

CREATE INDEX docs_last_modified on docs(last_modified);

但是二级索引有很大的缺点 (http://www.slideshare.net/edanuff/indexing-in-cassandra)，不建议用于高基数的数据。您可以通过降低 last_modified_time 的精度来缓解基数问题，例如，只存储天组件。