Question

我是一名cassandra新手试图了解如何在cassandra中建模我们当前的sql数据。数据库存储的文档元数据包括其他数据中的document_id，last_modified_time，size_in_bytes，文档数量可以任意大，因此我们正在寻找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＆gt; = x和last_modified_time
选择尺寸＆gt; = x且尺寸＆lt; = y

还有一组查询，其中文档需要按特定元数据进行分组，例如

选择（x，y，z）

基于这些查询设计数据模型的最佳做法是什么？

我最初想的是有一个表（在Cassandra 2.0，CQL 3.0中），其中last_mod_time作为辅助索引，如下所示

创建表t_document（ document_id bigint，
last_mod_time bigint，尺寸bigint，用户文字， .... 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表的主键中的第三项，例如（document_id，last_mod_time，size）。但在这种情况下，第二个查询是否可以在where子句中使用last_mod_time而不使用？

对于查询3（一个或多个用户的所有文档），最佳做法是创建主键为（user，doc_id）的t_user_doc表吗？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。

Answer 1

当谈到不平等时，你在Cassandra中没有太多选择。它们必须是领先的聚类列（或二级索引）。所以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，并作为占位符分区键使用，所有数据都存储在单个分区中。

这种数据模型的缺点是，实际上，所有数据都存储在单个分区中。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。所以这种方法不能扩展。

您可以在表格上创建二级索引：

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，二级索引存在重要缺陷（http://www.slideshare.net/edanuff/indexing-in-cassandra），不建议用于具有高基数的数据。你可以通过减少last_modified_time的精度来缓解基数问题，比如只存储day组件。

Cassandra数据模型

1 个答案: