cassandra - Cassandra 可以分区表吗？

Question

我每秒插入约 8 行，我想要一个包含所有行的大表，并且我想每周将这个表分成许多表。例如

select * from keyspace.rootTable; -> returns all rows from all tables
select * from keyspace.27-2016Table -> return all rows from week 27 

Answer 1

如果每天 86400 秒，每周 604800 秒，您将每天存储 691200 行，每周存储 4838400 行。即使不知道您的行有多宽，在单个查询中返回的行数也太多了。 Cassandra 非常适合存储大量此类数据。但是像这样查询大量数据......不是那么多。

您可能希望按小时分区，但即使那样也会得到 28800 行。这至少是半可控的，所以让我们开始吧。

我会构建一个如下所示的表，在 week 和 hourBucket 上进行分区，同时在 writeTime 上进行集群:

CREATE TABLE youAreAskingCassandraForTooManyRows (
  week text,
  hourBucket text,
  writeTime timestamp,
  value text,
  PRIMARY KEY ((week,hourBucket),writeTime))
WITH CLUSTERING ORDER BY (writeTime DESC);

然后我可以按特定的周和小时进行查询，只需按分区键即可:

aploetz@cqlsh:stackoverflow> SELECT * 
  FROM youareaskingcassandrafortoomanyrows 
  WHERE week='201607-3' AND hourBucket ='20160713-14';

 week     | hourBucket   | writetime                | value
----------+--------------+--------------------------+--------
 201607-3 |  20160713-14 | 2016-07-13 14:01:18+0000 | value6
 201607-3 |  20160713-14 | 2016-07-13 14:01:14+0000 | value5
 201607-3 |  20160713-14 | 2016-07-13 14:01:12+0000 | value4
 201607-3 |  20160713-14 | 2016-07-13 14:01:10+0000 | value3
 201607-3 |  20160713-14 | 2016-07-13 14:01:07+0000 | value2
 201607-3 |  20160713-14 | 2016-07-13 14:01:04+0000 | value1

(6 rows)

或者甚至针对特定范围，基于聚类键 writetime。

aploetz@cqlsh:stackoverflow> SELECT * 
  FROM youareaskingcassandrafortoomanyrows 
  WHERE week='201607-3' AND hourBucket ='20160713-14' 
    AND writetime > '2016-07-13 14:01:05+0000' 
    AND writetime < '2016-07-13 14:01:18+0000';

 week     | hourBucket   | writetime                | value
----------+--------------+--------------------------+--------
 201607-3 |  20160713-14 | 2016-07-13 14:01:14+0000 | value5
 201607-3 |  20160713-14 | 2016-07-13 14:01:12+0000 | value4
 201607-3 |  20160713-14 | 2016-07-13 14:01:10+0000 | value3
 201607-3 |  20160713-14 | 2016-07-13 14:01:07+0000 | value2

(4 rows)

select * from keyspace.rootTable; -> returns all rows from all tables

不言而喻，如果我认为查询一整周的 400 万多行数据量太大以至于会超时，那么查询整个表是巨大的坏主意。

重要的是要注意，Cassandra 不是关系数据库。它是一个分布式系统，因此运行未绑定(bind)查询(没有 WHERE 子句的查询)会在您的等式中引入大量网络时间。这就是为什么您总是希望为所有 SELECT 查询指定至少一个分区键，因为这样您就可以保证从单个节点满足该查询。

您应该看看 Patrick McFadin 关于 Getting Started with Time Series Data Modeling 的文章.这应该可以帮助您了解如何像这样对数据进行分区，并让您走上正确的道路。