免责声明:
这是一篇相当长的帖子.我首先解释我正在处理的数据,以及我想用它做什么.
然后我详细介绍了我考虑过的三种可能的解决方案,因为我已经尝试过做作业了(我发誓:]).我最终得到了"最佳猜测",这是第一个解决方案的变体.
我的终极问题是:使用Cassandra解决问题最明智的方法是什么?这是我的尝试之一,还是别的什么?
我正在寻找经验丰富的Cassandra用户的建议/反馈......
我的数据:
我有很多SuperDocuments在树形结构(标题,副标题,部分......)中拥有文档.
每个SuperDocument结构都可以随着时间的推移而改变(主要是重命名标题),从而为我提供了多个版本的结构,如下所示.
我正在寻找:
对于每个SuperDocument我需要按照上面的日期对这些结构加时间戳,并且我希望在给定的日期找到最接近的早期版本的SuperDocument结构.(即最新版本version_date < given_date
)
这些考虑可能有助于更轻松地解决问题:
版本是不可变的:变化非常罕见,我可以在每次更改时创建整个结构的新表示.
我不需要访问结构的子树.
我说可以说我不需要找到给定叶子的所有祖先,也不需要访问树内的特定节点/叶子.一旦我拥有整棵树,我就可以在我的客户端代码中完成所有这些工作.
好吧,让我们这样做
请记住我真的只是开始使用Cassandra.我已经阅读/观看了很多关于数据建模的资源,但是在该领域没有太多(任何!)经验!
这也意味着一切都将用CQL3编写...对不起节俭爱好者!
我第一次尝试解决这个问题是创建下表:
CREATE TABLE IF NOT EXISTS superdoc_structures ( doc_id varchar, version_date timestamp, pre_pos int, post_pos int, title text, PRIMARY KEY ((doc_id, version_date), pre_pos, post_pos) ) WITH CLUSTERING ORDER BY (pre_pos ASC);
这会给我以下结构:
我在这里使用嵌套集模型 ; 我认为保持结构有序会很好,但我对其他建议持开放态度.
我喜欢这个解决方案:每个版本都有自己的行,其中每列代表层次结构的级别.
但问题是我(坦率地)打算查询我的数据如下:
SELECT * FROM superdoc_structures WHERE doc_id="3399c35...14e1" AND version_date < '2014-03-11' LIMIT 1
卡桑德拉很快提醒我,我不被允许这样做!(因为分区程序不保留群集节点上的行顺序,因此无法扫描分区键)
然后怎样呢...?
好吧,因为Cassandra不会让我在分区键上使用不等式,所以就这样吧!
我将制作version_date
一个聚类键,我的所有问题都将消失.是的,不是真的......
第一次尝试:
CREATE TABLE IF NOT EXISTS superdoc_structures ( doc_id varchar, version_date timestamp, pre_pos int, post_pos int, title text, PRIMARY KEY (doc_id, version_date, pre_pos, post_pos) ) WITH CLUSTERING ORDER BY (version_date DESC, pre_pos ASC);
我发现这个不太优雅:所有版本和结构级别都被制成一个非常宽的行的列(与我之前的解决方案相比):
问题:使用相同的请求,使用LIMIT 1
只会返回第一个标题.并且使用no LIMIT
将返回所有版本结构级别,我必须过滤以仅保留最新版本.
第二次尝试:
还没有第二次尝试......虽然我有一个想法,但我觉得它并没有明智地使用Cassandra.
这个想法version_date
只是集群,并以某种方式将整个层次结构存储在每个列值中.听起来不好不是吗?
我会做这样的事情:
CREATE TABLE IF NOT EXISTS superdoc_structures ( doc_id varchar, version_date timestamp, nested_sets map, titles list , PRIMARY KEY (doc_id, version_date) ) WITH CLUSTERING ORDER BY (version_date DESC);
结果行结构将是:
事实上它看起来对我来说没问题,但是我可能会有更多的数据而不是级别标题来反规范化到我的列中.如果它只有两个属性,我可以使用另一个地图(例如将标题与ID相关联),但更多的数据会导致更多的列表,我觉得它很快就会变成反模式.
另外,当数据进入时,我必须在我的客户端应用程序中将所有列表合并在一起!
替代方案和最好的关系
在给予更多考虑之后,有一种"混合"解决方案可能会有效并且可能高效而优雅:
我可以使用另一个表,它只列出SuperDocument的版本日期并将这些日期缓存到Memcache实例(或Redis或其他)中以实现真正的快速访问.
这将允许我快速找到我需要获取的版本,然后使用我的第一个解决方案的复合键请求它.
这是两个查询,加上要管理的内存缓存存储.但无论如何我可能会最终得到一个,所以也许这是最好的折衷方案?
也许我甚至不需要缓存商店?
总而言之,我真的觉得第一个解决方案是对我的数据建模最优雅的解决方案.你呢?!