2

我最近在 Cassandra 上做了很多阅读，特别是如何构造行以利用索引/排序，但有一件事我仍然不清楚；您应该在列族 (CF) 行中包含多少个“索引”项（或过滤器，如果您愿意的话）？

具体来说：我正在构建一个应用程序，并将使用 Cassandra 来归档日志数据，我将使用这些数据进行分析。

分析搜索的示例类型将包括（按日期范围）：

  • 对特定站点部分的总访问量
  • 按国家/地区划分的总访问量
  • 流量来源

我打算以 JSON 格式存储整个日志对象，但是为了避免必须通过每个项目来获取基本数据，或者为了获取基本数据而创建多个 CF，我很想知道包含这些是否是个好主意上面的“过滤器”作为列（复合列段）？

例子：

   Row Key       | timeUUID:data | timeUUID:country | timeUUID:source |
                 ======================================================
timeUUID:section |  JSON Object  |       USA        |   example.com   |

因此，从结构中可以看出，行键将是 timeUUID（例如每天）加上我想要获取统计信息的站点部分的复合键。这让我可以很容易地查询日期范围。

接下来，我的困境，列。带有 timeUUID 的复合列名称让我可以排序和做一个基于时间的切片，但是这个概念有意义吗？

当前的“最佳实践”是否可以接受这种类型的结构，还是会不赞成？是否建议为我要查询的每个指标创建一个单独的“索引”CF？（即使它像这样简单？）

我宁愿第一次就做对，而不是以后必须重构数据和重构我的应用程序代码。

4

1 回答 1

1

我认为这背后的想法是可以的。这是一种非常常见的时间切片方式（假设我已经理解了你的模式——创建表片段会很棒）。一些小调整...

您不需要 timeUUID 作为行键。鉴于您建议按天（本质上是唯一的）进行分区，您不需要 UUID 方面。时间戳可能很好，或者更简单的 varchar 格式为 YYYYMMDD（或您喜欢的任何排列）。

您可能还希望将行键组合交换到 section:time。这样做的原因是，如果您需要指定一个 IN 子句（即抓取多天），您只能在密钥的最后一部分执行此操作。这意味着您可以执行 WHERE section = 'foo' 和 time IN (....)。我想这是一个更常见的用例——但显然是你的决定。

如果您的常见情况是查询最新数据，请不要忘记按降序排列您的 timeUUID 列。这将热列保持在头部。

双重存储内容很好（即一次用于 JSON 有效负载，然后再次非规范化以用于您需要查询的数据）。存储很便宜。

我认为您不需要索引，但这取决于您打算运行的查询。如果您的查询很简单，那么您可能希望按（日期：参数）而不是值来存储计数器，并在数据进入时将它们递增。

于 2013-11-12T17:07:21.507 回答