Question

假设我们拥有基于2个模型的数百万个地址。

Address模型具有纯字符串属性，即使是county等常见属性：

class Address(ndb.Model):

  house_no = ndb.StringProperty()
  street = ndb.StringProperty()
  locality = ndb.StringProperty() # City/town
  county = ndb.StringProperty()
  zipcode = ndb.StringProperty()

StructuredAddress模型通过将每个属性定义为KeyProperty来保留更常见的属性作为对其他模型的引用：

class StructuredAddress(ndb.Model):

  house_no = ndb.StringProperty()
  street = ndb.StringProperty()
  locality = ndb.KeyProperty(kind=Locality) # City/town
  county = ndb.KeyProperty(kind=County)
  zipcode = ndb.KeyProperty(kind=Zipcode)

以下是问题：

根据zipcode等常见属性查询哪个模型效率更高？
假设county属性的数量约为50，而zipcode属性的数量约为数百万。鉴于数百万个地址记录，在这种情况下哪个模型会更有效？
在此示例中使用KeyProperty是否意味着更多的阅读操作，并且实际上更高的账单？内置的ndb缓存是否已经避免了这种情况？

Answer 1

KeyProperty版本会更昂贵，因为Key占用的字节数比典型的邮政编码或城镇/县名更多。（每个键重复其指向的全名。）

除了被动存储成本之外，您还需要支付额外的阅读费用来阅读密钥引用的字段。

最后，没有办法直接执行你需要进行这些查询的JOIN（尽管这可能只是一次查询）。

使用密钥购买的唯一方法就是可以更改城镇或县的名称。但这种情况多久发生一次？

Answer 2

根据像zipcode这样的常见属性查询哪个模型更有效？

假设ZipCode类只包含带有邮政编码的String / Int属性，（1）将使用一个RPC完成此查询，（2）将使用两个RPC：

（1）

# Get the first 100 adresses with zipcode 55555
addresses = Address.query().filter('zipcode','55555').fetch(limit=100)

（2）

# Get the key of the zipcode 55555
zip = Zipcode.query().filter('code','55555').get()
# Get the first 100 addresses with the zipcode 55555
addresses = StructuredAddress.query().filter('zipcode',zip.key()).fetch(limit=100)

所以这里（1）是优越的。

假设国家/地区属性数量约为50，而邮政编码属性数量约为数百万。鉴于数百万个地址记录，在这种情况下哪个模型会更有效？

再次假设只有一个字符串与一个邮政编码相关联，并且通过效率，您正在谈论存储效率：（1）您只需存储数百万个地址，（2）您必须存储数以百万计的地址和数百万个zipcodes（1）将更有效率。

再次，（1）将是优越的。

在这个例子中使用KeyProperty是否意味着更多的阅读操作，并且有效地提高了账单？内置的ndb缓存是否已经避免了这种情况？

简而言之，是的，正如第一个问题的答案所证明的那样。实际上，您唯一想要使用KeyProperty的时候是有多个字段存储在参考模型中。

应用引擎数据存储区中的邮政地址模型，共同属性的结构应该如何？

2 个答案: