Question

我一再听说二手索引（cassandra）只是为了方便而不是为了获得更好的性能。建议在基数较低时使用二级索引的唯一情况（例如性别column，其中有两个值为男性或女性）

考虑这个例子：

CREATE TABLE users ( 
userID uuid, 
firstname text, 
lastname text, 
state text, 
zip int, 
PRIMARY KEY (userID) 
);

现在我无法执行此查询，除非我在users上的firstname index上创建了二级索引

select * from users where firstname='john'

如何对此表进行非规范化，以便我可以拥有此查询：这是使用复合键的唯一有效方法吗？还有其他选择或建议吗？

CREATE TABLE users ( 
    userID uuid, 
    firstname text, 
    lastname text, 
    state text, 
    zip int, 
    PRIMARY KEY (firstname,userID) 
    );

Answer 1

为了提供良好的数据模型，您需要确定要执行的第一个所有查询。如果您只需要按名字（或名字和用户ID）查找用户，那么您的第二个设计就可以了......

如果您还需要按姓氏查找用户，则可以创建另一个表，该表具有相同的字段，但主键位于（lastname，userID）。显然，您需要在同一时间更新两个表。 Cassandra的数据复制很好。

但是，如果您担心两个或更多表所需的空间，您可以创建一个按用户ID分区的单个用户表，以及要查询的字段的其他表：

CREATE TABLE users ( 
    userID uuid, 
    firstname text, 
    lastname text, 
    state text, 
    zip int, 
    PRIMARY KEY (userID) 
);

CREATE TABLE users_by_firstname (
    firstname text,
    userid uuid,
    PRIMARY KEY (firstname, userid)
);

此解决方案的缺点是您需要两个查询来按名字检索用户：

SELECT userid FROM users_by_firstname WHERE firstname = 'Joe';
SELECT * FROM users WHERE userid IN (...);

希望这有帮助

Answer 2

有一些方法可以做到这一点，都有利有弊。

您的第二个查询将起作用，但它只是一个索引表。 http://wiki.apache.org/cassandra/SecondaryIndexes 辅助索引可能会有所帮助，如果您首先访问某个分区（在第一个表中无法执行），那么cassandra的实现将为您节省麻烦，并保持“本地原子”。虽然没有点击分区，你的第一个带索引的表对你的查询来说不会很好，因为它会触及所有地方。
您可以完全非规范化，但您也可以查找表格。即您的第二个表只能存在以返回用户ID。然后，您可以执行第二次查询以仅获取相关分区的信息。如果您期望得到的结果很少，这可能会很好。如果没有，您将在许多节点上击中许多分区（这取决于您的群集大小和热点避免标准，可能是好的还是坏的）。进行多次~1ms查询通常比进行一次~1000ms查询更好。
您可以进行人工分组，并发出n = bucketcount查询。这有额外的开销，但减少了查询次数，可能是一个不错的选择。
您的索引可能是名字的前几个字符。或者它可能是几个桶中的一致哈希。前者可以给你“开头”的语义。

这些只是几个选项。从逻辑数据模型到物理数据模型需要评估您希望进行哪些权衡。

Answer 3

还有具有自动udpates的物化视图，可以在不同的列上对数据进行分区，因此可以更快地读取并完全避免二次索引。这样做有一些额外的好处。

避免热分区的一般想法仍然存在。

然后，如果您在物化视图主键上进行大量更新以避免使用逻辑删除，那么还有SASI索引。

如何避免cassandra中的二级索引？

3 个答案: