Question

假设我想设计一个用户可以创建帖子的系统，其中每个帖子属于一个用户，但用户可能有多个帖子。还假设我想支持找到给定userID的所有帖子，除了简单地通过postId查找帖子。我还想存储特定于用户的帐户详细信息，例如帐户创建日期。

对此进行建模的一种方法如下：

CREATE TABLE user (
   userId int,
   name varchar,
   userDetail1,
   userDetail2,
   ...,
   PRIMARY KEY(userId)
);

CREATE TABLE post (
   postId int,
   postDetail1,
   postDetail2,
   ...,
   userId int,
   PRIMARY KEY(postId)
);

从我读过的内容来看，这应该不是最佳的，因为查询特定用户发布的帖子会降低内存效率。它是否正确？并且Cassandra不支持在userId上索引post表的原因是什么？

理想的解决方案如下所示？

CREATE TABLE user (
   userId int,
   name varchar,
   userDetail1,
   userDetail2,
   ...,
   PRIMARY KEY(userId)
);

CREATE TABLE post (
   postId int,
   postDetail1,
   postDetail2,
   ...,
   userId int,
   PRIMARY KEY(postId)
);

CREATE TABLE user_to_post (
   userId int,
   postId int,
   userDetail1,
   userDetail2,
   ...,
   postDetail1,
   postDetail2,
   ...,
   PRIMARY KEY(userId, postId)
);

使用复合键，查询特定用户的帖子效率更高。但是通过这种设计，有一个特定的帖子表是多余的吗？同样，在此设计中，我希望查找特定用户发布的帖子，并且还希望快速链接到给定帖子的特定用户。我已经做了很多阅读，但我很困惑如何在Cassandra中精确设计一对多的关系。

Answer 1

这完全取决于您尝试实现的所有要求。如果我理解正确，您希望能够：

按ID ID
获取用户的帖子列表

我将从DataStax的优秀页面Basic Rules of Cassandra Data Modeling中获得大部分建议。你必须先了解这个问题没有明确的答案。它高度依赖于您尝试运行的查询，以及您准备做出的权衡。例如：您是否希望特定用户的帖子数量真正高（数千或数百万）？什么是最常见的查询（即模拟数据的那个）？

第一个模型似乎打破了规则2：最小化分区读取次数。 posts表的分区键是帖子ID（我将假设是随机的，例如UUID），结果将是帖子分布在整个群集中。因此，假设您拥有特定用户的帖子列表（实际上需要非常低效的群集扫描），如果每个用户的帖子数量足够大，您的请求将必须命中群集中的每个服务器。这是最糟糕的情况，绝对不是你想要的。
第二个模型本质上更好，因为每个请求都可以使用单个请求来实现。您正在交易存储以获取读取性能，这通常是一件非常好的事情。我可能只是建议看Materialized Views（Cassandra 3.0+），这对你来说维护这样一个表有很大的帮助 - 虽然完全按照你的建议使用MV很复杂，因为你只能提供一个表作为视图源（即帖子）。

我还可以建议一个替代模型，它修复了第一个提案中的设计缺陷而没有数据重复（这也就是问题），这里的关键是将用户ID用作分区键的帖子，并将帖子ID作为聚类键。这允许特定用户的所有帖子存储在同一节点上，因此提供了从特定用户请求帖子的良好性能。

CREATE TABLE user (
   userId int,
   name varchar,
   userDetail1,
   userDetail2,
   ...,
   PRIMARY KEY(userId)
);

CREATE TABLE post (
   userId int,
   postId int,
   postDetail1,
   postDetail2,
   PRIMARY KEY(userId, postId)
);

此解决方案的主要缺点是它略微复杂化了检索单个帖子的过程：除了帖子ID之外，您还必须知道用户ID。这可能不是问题，因为两者本质上是相关联的。

再一次记住，除了非常简单的情况之外，在计算机科学中做任何事情的最佳方式都不太可能存在。这取决于您尝试最大化的指标集，您准备做出的权衡，更重要的是存储系统，您将要运行的工作量。

在Cassandra中建立一对多关系的最佳方法是什么？

1 个答案: