卡桑德拉；关于索引的最佳实践？

Question

我正在对 Cassandra 模式进行建模，以便对该主题更加熟悉，并且想知道创建索引的最佳做法是什么。

例如：

create table emailtogroup(email text, groupid int, primary key(email));
select * from emailtogroup where email='joop';
create index on emailtogroup(groupid);
select * from emailtogroup where groupid=2 ;

或者我可以创建一个全新的表：

create table grouptoemail(groupid int, email text,  primary key(groupid, email));
select * from grouptoemail where groupid=2;

他们都做这项工作。

我希望创建一个新表更快，因为现在 groupid 成为分区键。但我不确定创建索引时发生了什么“魔法”以及这种魔法是否有不利之处。

Answer 1

根据我的说法，您的第一种方法是正确的。

create table emailtogroup(email text, groupid int, primary key(email));

因为 1）在您的情况下，电子邮件是唯一的，是主键的良好候选者；2）多封电子邮件可以属于同一组，是二级索引的良好候选者。请参考这篇文章-Cassandra: choosing a Partition Key

分区键用于在不同节点之间分配数据，如果您希望节点平衡（即在每个节点之间良好分布数据），那么您希望分区键尽可能随机。

表创建的第二种形式对于范围扫描很有用。例如，如果您有像

这样的用例

i) 列出用户在 2010 年 1 月 1 日至 2013 年 1 月 1 日期间加入的所有电子邮件组。

在这种情况下，您可能必须设计一个类似

的表格

create table grouptoemail(email text, ts timestamp, groupid int, primary key(email, ts));

在这种情况下，用户加入的所有电子邮件组都将聚集在磁盘上。（一起存储在磁盘上）

Answer 2

这取决于 groupid 的基数。 cassandra docs：

何时不使用索引

不要使用索引来查询大量记录 结果数。例如，如果您在一个 具有许多不同值的高基数列，查询 领域之间将招致许多寻求很少的结果。在里面 包含十亿用户的表，通过电子邮件地址查找用户（a 值通常对每个用户都是唯一的）而不是由他们的 状态，很可能是非常低效的。应该会更多 有效地将表手动维护为索引的一种形式 使用 Cassandra 内置索引。对于包含唯一的列 数据，有时在性能方面使用索引 方便，只要对具有查询量的表 索引列适中，不处于恒定负载。

当然，不支持计数器列，其中每个 价值是不同的。

相反，在基数极低的列上创建索引， 例如布尔列，没有意义。索引中的每个值 成为索引中的单行，导致所有 假值，例如。索引多个索引列 拥有 foo = true 和 foo = false 是没有用的。

所以基本上，如果您要处理大型数据集，并且 groupid 不会返回很多行，那么二级索引可能不是最好的主意。

DataStax Academy's Java Developement with Apache Cassandra class 的第 4 周讨论了如何有效地对这些问题进行建模。如果有机会，请检查一下。