背景
我们最近启动了一个“大数据”项目，我们想要跟踪用户在使用我们的产品时做了什么 - 他们登录的频率，他们点击的功能等等 - 您的基本用户分析内容。我们仍然不确切地知道我们会问什么问题，但大多数问题将是“过去几个月X出现的频率是多少？”事物的类型，所以我们开始存储数据，而不是后来认为我们可以随时迁移，重新塑造等等，但如果我们不存储它就会永远消失。
我们现在正在研究我们可以提出的问题。在典型的RDBMS中，这个阶段包括对许多不同维度的数据进行切片和切割，导出到Excel，生成图形，查找趋势等等 - 对于Cassandra来说，这似乎很难做到。
目前我们正在使用Apache Spark，并提交Spark SQL作业来对数据进行切片和切块。这实际上工作得很好，我们正在获取我们需要的数据，但它相当麻烦，因为我们可以从工作站连接到Spark似乎没有任何本机API，因此我们不得不使用火花 - 提交脚本和一个Spark应用程序，它从命令行包装一些SQL并输出到我们必须阅读的文件。
问题
在一个表（或列系列）中，在3个节点上使用RF 2运行~30列，将INDEX添加到每个非PK列有多糟糕，这样我们就可以使用CQL在任何列上查询它柱？写入的性能是否会产生可怕的影响？磁盘空间使用量会大幅增加吗？
我一直在调查的另一个选项是使用触发器，因此对于插入的每一行，我们填充了另外一些表（基本上是自定义二级索引表） - 这是一种更可接受的方法吗？有没有人对触发器的性能影响有任何经验？
答案 0 :(得分：1)
添加更多索引的影响： 这实际上取决于您的数据结构，分布以及访问方式;在将此过程与RDMS进行比较之前，您就是对的。对于Cassandra，最好先定义查询，然后再构建数据模型。
这些人对二级索引的性能影响进行了很好的描述： https://pantheon.io/blog/cassandra-scale-problem-secondary-indexes
主要影响（来自帖子）是二级索引是每个节点的本地索引，因此为了通过索引值满足查询，每个节点必须查询自己的记录以构建最终结果集（而不是主要密钥查询，确切地知道哪个节点需要被请求。因此，不仅会影响写入，还会影响读取性能。
在计算数据模型的性能方面，我建议使用cassandra-stress工具;您可以将它与Datastax构建的数据建模工具结合使用，以快速生成配置文件yamls： http://www.datastax.com/dev/blog/data-modeler
例如，我在默认表上运行基本压力配置文件，然后使用二级索引，并且“带索引”批量写入需要花费超过40％的时间才能完成。 GC操作/持续时间等也有所增加。