Cassandra介绍和一些常用操作

Cassandra是一个高可靠的大规模分布式存储系统。高度可伸缩的、一致的、分布式的结构化key-value存储方案，集Google BigTable的数据模型与Amazon Dynamo的完全分布式的架构于一身。Cassandra使用了Google BigTable的数据模型，与面向行的传统的关系型数据库不同，这是一种面向列的数据库，列被组织成为列族（Column Family），在数据库中增加一列非常方便。Cassandra的系统架构与Dynamo一脉相承，是基于O(1)DHT（分布式哈希表）的完全P2P架构，与传统的基于Sharding的数据库集群相比，Cassandra可以无缝地加入或删除节点，非常适于对于节点规模变化比较快的应用场景。

Cassandra的数据会写入多个节点，来保证数据的可靠性，在一致性、可用性和网络分区耐受能力（CAP）的折衷问题上，Cassandra比较灵活，用户在读取时可以指定要求所有副本一致（高一致性）、读到一个副本即可（高可用性）或是通过选举来确认多数副本一致即可（折衷）。这样，Cassandra可以适用于有节点、网络失效，以及多数据中心的场景。Cassandra是一套开源分布式Nosql 数据库系统，设计思想采用了google的BigTable的数据模型和Amazon的Dynamo的完全分布式架构，因而它具有很好的扩展性且不存在单点故障。

Hadoop HBase
Hadoop HBase是Apache Hadoop项目的一个子项目，是Google BigTable的一个克隆，与Cassandra一样，它们都使用了BigTable的列族式的数据模型，两者的主要不同在于：
(1) Cassandra只有一种节点，而HBase有多种不同角色，又架构在Hadoop底层平台之上，部署上Cassandra更简单；
(2) Cassandra的数据一致性策略是可配置的；
(3) HBase提供了Cassandra没有的行锁机制，Cassandra要想使用锁需要配合其他系统，如Hadoop Zookeeper；
(4) HBase提供更好的MapReduce并行计算支持，Cassandra在0.6版本也提供了这个功能；
(5) Cassandra的读写性能和可扩展性更好，但不擅长区间扫描。

Nosql 数据库是为高扩展性系统设计的，采用了key/value模型，但它的缺点，正如Nosql这个名字表明地那样，不支持 sql操作。这听起来像是一个很严重的缺陷。下面介绍一些在sql中常见的操作怎样在cassandra中自然而又有效的实现。

0.示例column family

表1：

CREATE TABLE example ( id int,name ascii,age bigint,gender bigint,high varint,PRIMARY KEY (id,name,age) ) WITH CLUSTERING ORDER BY (name ASC,age ASC) AND bloom_filter_fp_chance = 0.1 AND caching = '{"keys":"ALL","rows_per_partition":"NONE"}' AND comment = '' AND compaction = {'class': 'org.apache.cassandra.db.compaction.LeveledCompactionStrategy'} AND compression = {'sstable_compression': 'org.apache.cassandra.io.compress.LZ4Compressor'} AND dclocal_read_repair_chance = 0.1 AND default_time_to_live = 86400 AND gc_grace_seconds = 86400 AND max_index_interval = 2048 AND memtable_flush_period_in_ms = 0 AND min_index_interval = 128 AND read_repair_chance = 0.0 AND speculative_retry = '99.0PERCENTILE';

表1内容：

 id | name | age | gender | high ----+------+-----+--------+------
 5 | ee | 25 | 1 | 168
 1 | aa | 10 | 1 | 165
 2 | bb | 20 | 0 | 170
 4 | dd | 40 | 0 | 190
 6 | ff | 30 | 0 | 168
 3 | cc | 30 | 1 | 180

表2：

CREATE TABLE test ( id int,PRIMARY KEY ((id,name),age) ) WITH CLUSTERING ORDER BY (age ASC) AND bloom_filter_fp_chance = 0.1 AND caching = '{"keys":"ALL","rows_per_partition":"NONE"}' AND comment = '' AND compaction = {'class': 'org.apache.cassandra.db.compaction.LeveledCompactionStrategy'} AND compression = {'sstable_compression': 'org.apache.cassandra.io.compress.LZ4Compressor'} AND dclocal_read_repair_chance = 0.1 AND default_time_to_live = 86400 AND gc_grace_seconds = 86400 AND max_index_interval = 2048 AND memtable_flush_period_in_ms = 0 AND min_index_interval = 128 AND read_repair_chance = 0.0 AND speculative_retry = '99.0PERCENTILE';

表2内容：

 id | name | age | gender | high ----+------+-----+--------+------
 1 | aa | 10 | 1 | 165
 6 | ff | 30 | 0 | 168
 4 | dd | 40 | 0 | 190
 3 | cc | 30 | 1 | 180
 5 | ee | 25 | 1 | 168
 2 | bb | 20 | 0 | 170

1.查询

在example表，id是分区主键，(name,age)是排序主键
在test表，(id,name)是分区主键，age是排序主键
在example表，查询可以如下

select * from example where id = 1;
select * from example where id = 1 and name = ''aa";
select * from example name = ''aa" allow filtering;
select * from example name > ''aa" allow filtering;
select * from example age = 30 allow filtering; ----X
select * from test where id = 3;  ---X
select * from test where age > 20 allow filtering;

如果使用分区主键查询的话，需要指定全部的分区主键，不能使用部分分区主键查询。
对于排序主键，可以使用>,<,>=,<=来查询，如果前面有分区主键，可以直接用。如果只使用排序主键来查询的话，只能使用排序主键的第一个来查询，并且使用allow filtering;或者使用排序主键的第一个、第二个一起来查询，就是说要排序主键要有第一个才能使用第二个，有第二个才能使用第三个。但是这样会全表扫描，严重影响性能。

2.创建二级索引

如果我们想直接查example表的age和test表的name了么？
方法是有的，那就是建索引：

CREATE INDEX ON example(age);
CREATE INDEX ON test(name);

我们就能在desc example和desc test的时候看到下面的语句了：

desc example:
CREATE INDEX example_age_idx ON ad.example (age);
desc test:
CREATE INDEX test_name_idx ON ad.test (name);

但是建的二级索引只能支持=查询，不支持范围查询。

3.分页 查询

1，2.x的api里面有支持分页查询。
2，手动分页查询可以使用token,下面的例子使用默认排序。

cqlsh:> select * from example limit 2;

 id | name | age | gender | high ----+------+-----+--------+------
 5 | ee | 25 | 1 | 168
 1 | aa | 10 | 1 | 165

(2 rows)
cqlsh:> select * from example where token(id) > token(1) limit 2;

 id | name | age | gender | high ----+------+-----+--------+------
 2 | bb | 20 | 0 | 170
 4 | dd | 40 | 0 | 190

(2 rows)
cqlsh:> select * from example where token(id) > token(4) limit 2;

 id | name | age | gender | high ----+------+-----+--------+------
 6 | ff | 30 | 0 | 168
 3 | cc | 30 | 1 | 180

4.复杂Select

从现在起考虑一个基本的例子：存在一对多关系的department和employee。我们需要两个Column Family（简称“CF”）：Emps和Deps。在Emps中，employee ID作为key，employee的name，birthday和city作为column；在Deps中，department ID作为key，department name作为column。

如果查询：select * from Emps where Birthdate = ’25/04/1975′为了支持该查询，我们需要添加一个Birthdate_Emps的CF，其中date为key， name为出生在该天的employee的ID，value可以是一个空的byte数组（用“-”代替）。每当从/向 Emps中插入 /删除employee信息时，我们需要同时更新Birthdate_Emps。为了执行该查询，我们只需从Birthdate_Emps中检索出key ’25/04/1975′对应的所有column。

注意，Birthdate_Emps实际上是一个帮助我们快速执行查询的索引，且这个索引有很强的可扩展性，因为它是分布到各个cassandra节点上的。你可以通过在Birthdate_Emps中添加employee冗余信息的方法进一步加速查询速度，这时，employee的ID变成了super column的名字，employee的所有column变成了该super column的column。

5.Join

查询：select * from Emps e,Deps d where e.dep_id = d.dep_id
Join实际上是要建立不同实体之间的联系。这种联系可以很容易地通过迭代表示出来。为了实现该查询，可以添加一个叫Dep_Emps的CF，其中department ID作为key，与之对应的employee的ID为name。

6.Group By

例如查询：select count(*) from Emps group by City
从实现角度看，Group By类似于上面描述的select/indexing，你只需要添加一个叫City_Emps的CF，其中，city作为key，employee的ID作为column name。当执行查询的时候，你只需计算需检索的city对应的employee数目或者专门添加一个column记录该数目。

7.Order By

为了支持排序操作，你可以使用OrderPreservingPartitioner对数据按照key进行排序。具体可参见：Cassandra: RandomPartitioner vs OrderPreservingPartitioner

为了支持4-7的这些操作，我们针对查询存储了冗余数据，这样做意味着：
（1）必须事先知道系统中需要哪些query（不支持即时查询）。幸运的是，典型的web应用和企业OLTP应用的查询均是事先知道的，且数目不多，不经常改动，具体可阅读这篇论文：The End of an Architectural Era
（2）我们将压力从查询转移到更新，这是为了支持物化视图（提前计算出查询结果）。这样做，对于Cassandra是非常有意义的，因为Cassandra的更新操作是经过优化的（多亏了最终一致性和从google的BigTable借鉴的“log-structured”存储理念），并且相比于pull-on-demand模型，cassandra的使用场景更适合push-on-change 模型。关于pull-on-demand和push-on-change模型，可参考文章 Why are Facebook,Digg,and Twitter so hard to scale?

参考文章

董的博客：Cassandra中实现SQL操作