Question

考虑下表：

CREATE TABLE users (
  date timestamp,
  user_id text,
  PRIMARY KEY (date, user_id)
);

以下数据为例：

date       user_id

25Aug2013    1
25Aug2013    2
25Aug2013    1
25Aug2013    3

26Aug2013    1
26Aug2013    2

27Aug2013    2
27Aug2013    3
27Aug2013    4

28Aug2013    1
28Aug2013    2
28Aug2013    1
28Aug2013    3

如何计算唯一user_id的数量？

Answer 1

一个想法可能是使用set collection：

CREATE TABLE stats_unique (
  stat_group text,
  user_ids set<text>,
  PRIMARY KEY (stat_group)
);

插入将自动从集合中删除重复项，select将立即检索所有ID，因此您可以在应用程序级别进行计数。

如果您只对唯一的user_ids数量感兴趣而没有从磁盘中实际检索它们，我担心您将不得不更改应用程序代码。

请记得深入了解collections limitations。

Answer 2

在评论中，我提到了与问题相关的更多或更少的内容，但我想发表评论。

就个人而言，当我遇到与cassandra类似的情况时，我滥用了它拥有的属性，这有点像黑客，但我认为在这种情况下它可能是“有用的”。

基本上我创建了一个单侧表，我把所有独特的东西放在那里。即。

CREATE TABLE stats_unique (
  stat_group text,
  user_id text,
  PRIMARY KEY (stat_group, user_id)
);

写作通常很便宜，而且我没有其他简单的麻烦毕竟cassandra是为此而建的。所以我每次插入基表我也插入stats_unique表。对于你的例子，它将是：

INSERT INTO stats_unique (stat_group, user_id) VALUES ('users', '1');
INSERT INTO stats_unique (stat_group, user_id) VALUES ('users', '2');
INSERT INTO stats_unique (stat_group, user_id) VALUES ('users', '1');
INSERT INTO stats_unique (stat_group, user_id) VALUES ('users', '3');

INSERT INTO stats_unique (stat_group, user_id) VALUES ('users', '1');
INSERT INTO stats_unique (stat_group, user_id) VALUES ('users', '2');

INSERT INTO stats_unique (stat_group, user_id) VALUES ('users', '2');
INSERT INTO stats_unique (stat_group, user_id) VALUES ('users', '3');
INSERT INTO stats_unique (stat_group, user_id) VALUES ('users', '4');

INSERT INTO stats_unique (stat_group, user_id) VALUES ('users', '1');
INSERT INTO stats_unique (stat_group, user_id) VALUES ('users', '2');
INSERT INTO stats_unique (stat_group, user_id) VALUES ('users', '1');
INSERT INTO stats_unique (stat_group, user_id) VALUES ('users', '3');

然后当我需要uniques时，我刚刚发出了一个简单的请求：

SELECT COUNT(1) FROM stats_unique WHERE stat_group = 'users';

 count
-------
     4

(1 rows)

这绝不是一个标准的解决方案，但它确实存在这在我的特定情况下有效。考虑到我不能在这个单独的分区中拥有超过数百万的东西但系统根本不需要支持那么多实体实例所以对于我的用例来说它已经足够了。此外，您可能会遇到计数等超时等问题。

最好有一些东西来做这个计算，要么是单独的过程，脚本，要么是Ashraful Islam在他的评论中将它作为一个火花过程，它将为你做计数并把它放到cassandra或其他存储技术中的其他一些表。

我使用的可能是cassandra反模式（热排等），但它对我有用。

计算不同的值

2 个答案: