我正在考虑将Cassandra作为ETL工作期间的中间存储来执行重复数据删除。
让我们想象一下我有一系列事件,每个事件都有一些商业实体ID,时间戳和一些价值。我需要在每个业务键的事件时间戳方面获得最新值,但事件可能无序。
我的想法是创建一个临时表,其中业务ID作为分区键,时间戳作为集群键:
CREATE TABLE sample_keyspace.table1_copy1 (
id uuid,
time timestamp,
value text,
PRIMARY KEY (id, time)
) WITH CLUSTERING ORDER BY ( time DESC )
现在,如果我在此表中插入一些数据,我可以获得某个给定分区键的最新值:
select * from table1 where id = 96b29b4b-b60b-4be9-9fa3-efa903511f2d limit 1;
但是,这需要针对我感兴趣的每个商业密钥发出此类查询。
我是否可以通过CQL实现这一目标?
我知道我们可以列出所有可用的分区键(select distinct id from table1
)。因此,如果我查看Cassandra的存储模型,获取每个分区键的第一行应该不会太难。
是否支持?
答案 0 :(得分:18)
如果您使用的是3.6之后的版本,则您的查询中会有一个名为PER PARTITION LIMIT
(CASSANDRA-7017)的选项,您可以将其设置为1
。这将不会在cqlsh
中自动完成,直到3.10 CASSANDRA-12803。
SELECT * FROM table1 PER PARTITION LIMIT 1;
答案 1 :(得分:0)
总之:不。
分区键是Cassandra基本上可以处理任何数据量的原因:它决定使用分区键的散列放置/查找数据的位置。这就是为什么CQL SELECT总是需要对整个分区键执行相等过滤。为了找到每个time
的第一个id
,Cassandra必须向所有节点询问数据的任何分区,然后对每个节点执行复杂的操作。关系数据库允许这样,Cassandra没有。它允许的全部是全表扫描(SELECT * from table1
)或分区扫描(SELECT DISTINCT id FROM table1
),但不能将它们链接到任何复杂的操作。
*)我在这里省略了ALLOW FILTERING
,因为它在这种情况下没有帮助。