Apache Cassandra和Apache Ignite：关系并置和分布式SQL

为什么80%的码农都做不了架构师？>>>

在上一篇文章中，回顾和总结了Cassandra中使用的查询驱动数据模型（或者说非常规数据模型）方法论的缺陷。事实证明，如果不对查询有深入的了解，通过该方法论将无法开发高效的应用。实际上，这种场景的应用架构上会变得更加的复杂，难于维护，并且会造成很大的数据冗余。

此外，这个问题通常会被这样的观点掩盖：“如果想要扩展性、速度以及高可用性，那么就得准备存储多份数据，并且牺牲SQL和强一致性。”，这个论调十年前可能是正确的，但是现在完全错误！

没那么夸张，我们选择了另一个ASF成员，Apache Ignite。在本文中，会讲解基于Ignite的应用架构，然后衡量它的维护成本。

我们选择的应用仍然是跟踪所有厂商生产的车辆，然后了解每个单一厂商的产能，如果看过第一篇文章，那么应该知道关系模型如下：

下一步，可以使用Ignite的CREATE TABLE命令创建这三个表，然后运行由SQL驱动的应用了么？不一定，如果不需要对存储于不同表中的数据进行关联操作，那么是可以的。但是根据前文，前提是应用需要支持两种关联的查询：

Q1：获取一个厂商在特定的时间段内生产的车型。
Q2：获取一个厂商特定车型的产量。

在Cassandra的案例中，我们为每个查询创建了一张表规避了关联的问题，那么用Ignite，是不是还要经历同样的过程？完全不用。事实上，Ignite的非并置的关联已经完全可用，如果三个表已经建好了，那么不需要什么额外的工作。但是，这没有比并置的高效和快速。因此，首先要多学习一下关系并置，然后了解这个概念在Ignite中是如何使用的。

基于并置关联的数据模型

关系并置在Ignite（还有其他的分布式数据库，比如Google Spanner以及MemSQL）中是一个强大的概念，它可以在以一个集群节点上存储相关的数据。那么哪些数据是相关的呢？尤其是在关系数据库的背景下，这非常简单，只需要在业务对象之间标示一个父子关系，在CREATE TABLE语句中指定一个关系键就可以了，剩下的就交给Ignite了！

还是拿车辆和厂商的应用举例，使用厂商作为父实体，车辆作为子实体是合理的。比如，按照这样配置好之后，某个厂商生产的所有车辆数据都会存储于同一个节点上，如下图所示：

如图所示，丰田生产的车辆都存储于节点1，而福特生产的车辆都存储于节点2，这就是关系并置，车辆都会存储于对应的厂商所在的节点上。

要做到这样的数据分布，Vendor表的SQL定义如下：

CREATE TABLE Vendor (id INT PRIMARY KEY,name VARCHAR,address VARCHAR
);

厂商数据会在整个集群中随机地分布，Ignite会使用主键列计算厂商数据所在的节点。下一个是Car表：

CREATE TABLE Car (id INT,vendor_id INT,model VARCHAR,year INT,price float,PRIMARY KEY(id, vendor_id)
) WITH "affinityKey=vendor_id";

车辆表有一个affinityKey参数，配置为vendor_id列，它告诉Ignite，车辆存储于vendor_id对应的集群节点。

在Production表上重复同样的过程，它的数据也是存储于vendor_id对应的集群节点上,如下：

CREATE TABLE Production (id INT,car_id INT,vendor_id INT,country VARCHAR,total INT,year INT,PRIMARY KEY(id, car_id, vendor_id)
) WITH "affinityKey=vendor_id";

这样数据模型就建完了,下一步就进入应用的代码，然后开发必要的查询。

带关联的SQL查询

Ignite集群可以使用我们熟悉的SQL进行查询，它支持分布式的SQL关联以及二级索引。 Ignite支持两种类型的关联：并置和非并置。假定要关联的表已经并置，并且本地数据全部可用，那么并置的关联会避免数据(关联所需的）的移动,这是在分布式数据库中效率最高、性能最好的。如果部分表无法实现关系并置，但是还需要进行关联，那么非并置的关联就是一个备份计划。这种类型的关联速度较慢，因为在关联时它需要在集群节点间进行数据的移动。

之前，已经配置好了Vendor、Car和Production表，下一步就是利用并置关联的优势，为Q1写一个SQL：

SELECT c.model, p.country, p.total, p.year FROM Vendor as v
JOIN Production as p ON v.id = p.vendor_id
JOIN Car as c ON c.id = p.car_id
WHERE v.name = 'Ford Motor' and p.year >= 2017
ORDER BY p.year;

还能更快么？当然能。下面为Vendor.name和Production.year列定义二级索引：

CREATE INDEX vendor_name_id ON Vendor (name);
CREATE INDEX prod_year_id ON Production (year);

针对Q2的查询也不需要额外的工作:

SELECT p.country, p.total, p.year FROM Vendor as v
JOIN Production as p ON v.id = p.vendor_id
JOIN Car as c ON c.id = p.car_id
WHERE v.name = 'Ford Motor' and c.model = 'Explorer';

现在，如果老板要求增加一个新特性时，很快就能构造出一套新的SQL满足他。完成！作为比较，如果要支持Q2，可以看看基于Cassandra的架构是怎么搞的。