Cassandra中的数据建模

在关系数据模型中，我们为域中的每个对象建模关系/表。对于Cassandra，情况并非如此。本文将详细介绍在Cassandra中进行数据建模时需要考虑的所有方面。以下是Cassandra数据建模的粗略概述。

从上图可以看出， 概念数据建模和应用程序查询是构建模型时要考虑的输入。对于任何建模（无论是关系数据库还是Cassandra），概念数据建模都是相同的，因为它更多地是关于从实体，关系及其属性方面获取所需系统功能的知识（因此而得名-ER模型）。

考虑以下有关病理实验室门户的示例。通过此病理实验室门户，实验室可以向同意进行建议的所有测试的门户进行注册。此外，它还允许患者（用户）在门户网站上注册，以通过他/她选择的实验室预订测试约会。这是概念模型的相关部分，将在Cassandra中进行数据建模：

Cassandra中的数据建模是查询驱动的。 因此，下一步是确定需要支持的应用程序级查询。对于所举的示例，以下是我们感兴趣的查询列表：

问题1：通过指定的注册号获取实验室详细信息？
问题2：按预订顺序获取给定实验室要处理的所有待处理订单？
问题3：通过用户的电子邮件ID /电话号码查看用户的详细信息？
问题4：获取指定时间段内用户的所有挂单？

映射规则：列出应用程序查询后，将应用以下规则将概念模型转换为逻辑模型。

规则1：列出我们将在其上执行基于相等性的查询的属性。例如：按注册编号查找实验室。
规则2：列出在上一步中列出的查询中必须使用的基于范围的属性。
规则3：应用程序感兴趣的结果是否有排序？例如：返回用户按其姓名升序/降序排序？

从概念模型和查询中，我们可以看到仅在第一季度使用了实体“实验室”。由于Q1基于等式，因此只能从映射规则中应用规则1。因此，“实验室”表可以设计如下：

create table lab_detail(registration_number text, name text, address text, primary key(registration_number));

实体“用户”已在第三季度使用。该查询指定通过电子邮件ID或电话号码获取用户详细信息。在关系数据库中，我们可以使用电子邮件ID /电话号码之一作为标识符创建单个用户表。如果表中的数据很大，则可以在非标识符列上创建索引以加快数据检索速度。但是在Cassandra中，这是以不同的方式建模的。我们可以使用2个表来解决这个问题：

create table users_by_email(email text primary key, phone_number text, first_name text, last_name text, address text); create table users_by_phone(phone_number text primary key, email text, first_name text, last_name text, address text);

当我们要基于不属于主键的列查询表时，可以使用二级索引 。但是在表上创建二级索引时必须小心。 不建议在许多情况下使用它们：

在高/低基数列上创建索引时，这无济于事。如果我们根据用户标题（Mr / Mrs / Ms）进行索引，则最终将在索引中形成大量分区。
同样，如果我们在电子邮件ID上创建索引，因为大多数电子邮件ID是唯一的，在这种情况下，最好创建一个单独的表。
同样，我们不应该在大量更新的列上创建索引。如果生成的墓碑比压缩过程可以处理的高得多，这些索引可能会产生错误。

如我们所见，二级索引不适合我们的用户表，最好创建一个满足应用程序目的的其他表。请注意， 数据复制在Cassandra数据建模中非常普遍。但是出于性能原因，我们应该限制我们愿意复制多少数据。现在，创建不同表的问题在于，需要注意可能的数据一致性异常。

如果更新在一个表中成功而在另一个表中失败，该怎么办？
如何使两个表中的数据保持一致，以便在两个表中为用户查询数据都能获得相同的结果？

尽管Cassandra不支持参照完整性，但是有一些方法可以解决这些问题- 批次和轻量交易（LWT） 。请注意，与关系数据库一样，Cassandra中的批处理未用于提高性能。此处的批处理用于实现操作的原子性，而异步查询用于提高性能。批处理操作的不正确使用可能由于协调器节点上的更大压力而导致性能下降。更多关于此这里。当需要在写入之前执行读取时，LWT可用于实现数据完整性（要写入的数据取决于已读取的数据）。但是，据说LWT查询比常规查询慢很多倍。使用LWT时，需要特别小心，因为它们的伸缩性不好。

实现此目的的另一种方法是使用实例化视图 。它们解决了应用程序维护多个引用相同数据的表同步的问题。为了保持数据与基本表一致，Cassandra代替了应用程序维护这些表，而是负责更新视图。结果，为了保持这种一致性，写操作将受到很小的性能损失。但是，一旦创建了物化视图，我们就可以像对待其他任何表一样对待它。既然我们已经了解了视图，那么我们可以重新考虑先前的users_by_phone设计：

create table users_by_email(email text primary key, phone_number text, first_name text, last_name text, address text); create materialized view users_by_phone as select * from users_by_email where phone_number is not null and email is not
null and primary key(phone_number, email);

注意，“不为空”约束必须应用于主键中的每一列。因此，到目前为止，我们已经在应用程序工作流程中解决了Q1和Q3。现在剩下第二和第四季度了：

问题2：按预订顺序获取给定实验室要处理的所有待处理订单？
问题4：获取指定期间内用户的所有挂单？

在一种情况下，必须由用户获取订单详细信息，而在另一种情况下，必须由实验室获取订单详细信息。在关系数据库中，我们将订单，用户和实验室建模为不同的关系。使用读取数据的JOIN查询可以在这些关系上实现Q2和Q4。由于无法进行读取级别连接，因此必须在Cassandra中以不同的方式进行建模。必须完成数据非规范化才能实现此用例。作为非规范化的一部分，数据将被复制。但是，如前所述，Cassandra的经验法则之一就是不要将数据复制视为一件坏事。与时间相比，我们基本上会在空间上进行权衡。由于以下原因， Cassandra宁愿在写入时联接而不是在读取时联接。

可以通过向群集添加更多节点来扩大数据复制的规模，而联接则无法处理大量数据。
同样，数据复制允许具有恒定的查询时间，而分布式联接对协调器节点施加了巨大压力。因此，它建议写时连接而不是读时连接。由于实验室和用户完全是两个不同的实体，因此可以使用两个不同的表对这些查询进行建模。

Cassandra的一般建议是尽可能避免客户端加入。 因此，我们使用逻辑模型中的表（orders_for_user）和视图（orders_for_lab）从概念模型中对“订单”实体进行建模，就像之前所做的那样。创建支持Q4的表时，必须考虑映射规则＃1（基于平等的属性：user_id）和＃2（基于范围的属性：booking_time）。将列order_id和test_id作为主键的一部分添加，以支持该行的唯一性。

create table orders_for_user(user_id text, order_id text, lab_id text, test_id text, booking_time timestamp, amount_paid double, primary key(user_id, booking_time, order_id, test_id));

同样，可以根据映射规则＃1（基于平等的属性：lab_id）和＃3（属性的聚类顺序：booking_time）对视图进行建模

create materialized view orders_for_lab as select * from orders_for_user where lab_id is not null and order_id is not
null and test_id is not null and user_id is not null primary key(lab_id,
booking_time, test_id, order_id, user_id) with clustering order by(booking_time asc, order_id asc, test_id asc, user_id asc);

最后要考虑的一点是，建模数据时不要让分区大小变得太大。 可以将新字段添加到分区键以解决此不平衡问题。例如：如果某些实验室与其他实验室相比订单过多，则会通过将更多的负载分配给集群中的几个节点来在其中创建不平衡的分区。为了解决这个问题，我们可以添加一个bucket-id列，将每个实验室1000个订单分组到一个分区中。通过这种方式，负载在群集的所有节点之间平均分配。