Question

我正在对Cassandra架构进行建模，以便对该主题更加熟悉，并且想知道有关创建索引的最佳实践。

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完整的新表：

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

他们都做好了工作。

我希望创建一个新表更快，因为现在groupid成为分区键。但是我不确定创建索引时会发生什么“魔法”，如果这种魔法有下降的话。

Answer 1

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的记录   结果数量。例如，如果您在a上创建索引   高基数列，它有许多不同的值，一个查询   在这两个领域之间会产生很多寻求很少结果的问题。在里面   有十亿用户的表，通过他们的电子邮件地址查找用户（a   每个用户通常唯一的值）而不是他们的   国家，可能是非常低效的。它可能会更多   高效地手动维护表作为索引的一种形式   使用Cassandra内置索引。对于包含唯一的列   数据，有时使用索引的性能很好   方便，只要查询到表中的卷就有了   索引列是适中的，不在恒定负载下。

当然，不支持计数器列，其中包括每个列   价值是截然不同的。

相反，在极低基数列上创建索引，   比如布尔列，没有意义。索引中的每个值   在索引中成为一行，导致所有的一行   例如，假值。索引大量索引列   foo = true和foo = false是没用的。

所以基本上，如果你打算处理一个大型数据集，而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第4周讨论如何有效地模拟这些问题。如果有机会，请检查一下。

Answer 2

据我所知，你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，电子邮件是一种独特的，良好的主键候选者和2）多个电子邮件可以属于同一组，是二级索引的良好候选者。请参阅此帖子 - 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（即每个节点上分布均匀的数据），那么您希望分区键尽可能随机。

表创建的第二种形式对范围扫描很有用。例如，如果您有像

这样的用例

i）列出用户从2010年1月1日到2013年1月1日加入的所有电子邮件组。

在这种情况下，您可能需要设计一个类似

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gropus将聚集在磁盘上。（一起存储在磁盘上）

卡桑德拉;关于指数的最佳做法？

2 个答案: