简介

Apache Cassandra 将数据存储在表中，每个表都包含行和列。CQL（Cassandra 查询语言）用于查询存储在表中的数据。Apache Cassandra 数据模型基于查询并针对查询进行了优化。Cassandra 不支持为关系数据库设计的关联数据建模。

什么是数据建模？

数据建模是识别实体及其关系的过程。在关系数据库中，数据被放置在规范化的表中，使用外键来引用其他表中的相关数据。应用程序将执行的查询由表的结构驱动，相关数据作为表联接进行查询。

在 Cassandra 中，数据建模是查询驱动的。数据访问模式和应用程序查询决定了数据的结构和组织方式，然后用于设计数据库表。

数据是围绕特定查询建模的。查询最好设计为访问单个表，这意味着查询中涉及的所有实体都必须在同一个表中，以使数据访问（读取）非常快。数据建模最适合查询或一组查询。一个表可以包含一个或多个实体，最适合查询。由于实体通常在它们之间存在关系，并且查询可能涉及实体之间存在关系，因此单个实体可能包含在多个表中。

查询驱动建模

与关系数据库模型不同，关系数据库模型中的查询使用表联接从多个表中获取数据，Cassandra 中不支持联接，因此所有必需的字段（列）必须分组到单个表中。由于每个查询都由一个表支持，因此数据在多个表中被复制，这个过程称为反规范化。数据复制和高写入吞吐量用于实现高读取性能。

目标

选择主键和分区键对于将数据均匀分布在集群中非常重要。将查询读取的分区数量保持在最低限度也很重要，因为不同的分区可能位于不同的节点上，协调器需要向每个节点发送请求，从而增加请求开销和延迟。即使查询中涉及的不同分区位于同一个节点上，更少的分区也能使查询更有效率。

分区

Apache Cassandra 是一个分布式数据库，它将数据存储在节点集群中。分区键用于将数据分区到节点之间。Cassandra 使用一致哈希的变体将数据分区到存储节点上，以进行数据分布。哈希是一种用于映射数据的技术，给定一个键，哈希函数会生成一个哈希值（或简称为哈希值），该哈希值存储在哈希表中。分区键是从主键的第一个字段生成的。使用分区键将数据分区到哈希表中可以实现快速查找。用于查询的分区越少，查询的响应时间就越快。

例如，考虑表 t，其中 id 是主键中唯一的字段。

CREATE TABLE t (
   id int,
   k int,
   v text,
   PRIMARY KEY (id)
);

分区键是从主键 id 生成的，用于将数据分布到集群中的节点上。

考虑表 t 的变体，它有两个字段构成主键，形成复合主键或组合主键。

CREATE TABLE t (
   id int,
   c text,
   k int,
   v text,
   PRIMARY KEY (id,c)
);

对于具有复合主键的表 t，第一个字段 id 用于生成分区键，第二个字段 c 是用于在分区内排序的聚类键。使用聚类键对数据进行排序可以更有效地检索相邻数据。

通常，主键的第一个字段或组件被哈希以生成分区键，其余字段或组件是用于在分区内排序的聚类键。对数据进行分区可以提高读取和写入的效率。其他不是主键字段的字段可以单独索引，以进一步提高查询性能。

如果将多个字段分组作为主键的第一个组件，则可以从多个字段生成分区键。作为表 t 的另一个变体，考虑一个表，其中主键的第一个组件由两个使用括号分组的字段组成。

CREATE TABLE t (
   id1 int,
   id2 int,
   c1 text,
   c2 text
   k int,
   v text,
   PRIMARY KEY ((id1,id2),c1,c2)
);

对于前面的表 t，主键的第一个组件构成字段 id1 和 id2 用于生成分区键，其余字段 c1 和 c2 是用于在分区内排序的聚类键。

与关系数据模型的比较

关系数据库将数据存储在表中，这些表使用外键与其他表建立关系。关系数据库对数据建模的方法是表为中心。查询必须使用表联接从多个具有关系的表中获取数据。Apache Cassandra 没有外键或关系完整性的概念。Apache Cassandra 的数据模型基于设计高效的查询；不涉及多个表的查询。关系数据库规范化数据以避免重复。相反，Apache Cassandra 通过在多个表中复制数据来反规范化数据，以实现以查询为中心的数据模型。如果 Cassandra 数据模型无法完全集成特定查询中不同实体之间关系的复杂性，则可以在应用程序代码中使用客户端联接。

数据建模示例

例如，magazine 数据集包含杂志数据，其属性包括杂志 ID、杂志名称、出版频率、出版日期和出版商。杂志数据的基本查询 (Q1) 是列出所有杂志名称，包括它们的出版频率。由于 Q1 不需要所有数据属性，因此数据模型将仅包含 id（用于分区键）、杂志名称和出版频率，如图 1 所示。

图 1. Q1 的数据模型

另一个查询 (Q2) 是按出版商列出所有杂志名称。对于 Q2，数据模型将包含一个额外的属性 publisher 用于分区键。id 将成为用于在分区内排序的聚类键。Q2 的数据模型如图 2 所示。

图 2. Q2 的数据模型

设计模式

创建概念数据模型后，可以为查询设计模式。对于 Q1，可以使用以下模式。

CREATE TABLE magazine_name (id int PRIMARY KEY, name text, publicationFrequency text)

对于 Q2，模式定义将包括用于排序的聚类键。

CREATE TABLE magazine_publisher (publisher text,id int,name text, publicationFrequency text,
PRIMARY KEY (publisher, id)) WITH CLUSTERING ORDER BY (id DESC)

数据模型分析

数据模型是一个概念模型，必须根据存储、容量、冗余和一致性进行分析和优化。数据模型可能需要根据分析结果进行修改。数据模型分析中使用的注意事项或限制包括

分区大小
数据冗余
磁盘空间
轻量级事务 (LWT)

分区大小的两个衡量标准是分区中的值数量和磁盘上的分区大小。虽然这些衡量标准的要求可能因应用程序而异，但一般准则是将每个分区的价值数量保持在 100,000 以下，每个分区的磁盘空间保持在 100MB 以下。

在数据模型的设计中，预计会出现数据冗余，例如表中的重复数据和多个分区副本，但无论如何，应将它们作为参数考虑，并将其保持在最低限度。LWT 事务（比较和设置、条件更新）可能会影响性能，应将使用 LWT 的查询保持在最低限度。

使用物化视图

物化视图 (MV) 在 4.0 版本中处于实验阶段。

物化视图 (MV) 可用于为单个表实现多个查询。物化视图是从另一个表（基表）中的数据构建的表，具有新的主键和新属性。对基表数据的更改会自动在 MV 中添加和更新数据。由于 MV 的主键与基表不同，因此可以使用物化视图来实现不同的查询。查询通过主键定义进行优化。

Cassandra 文档

版本

简介