Cassandra Secondary Index 介绍

摘要

本文主要介绍cassandra中的索引，物化视图，有些知识点需要对cassandra有基本的认识才能理解。比如数据在cassandra节点中如何分布。如果有不明白的地方可以看本专栏之前文章。或者发送邮件和我探讨 [email protected]。

为什么叫secondary index

CREATE TABLE user(
    id bigint,
    name text,
    email text,
    PRIMARY KEY(id)
);

在很多文档中可以看到cassandra index又被称为secondary index.这是相对primary index的概念。在创建上述user table 时，会根据primary key 默认创建 primary index，基于id 列。可以根据id来查询用户的信息。但是不同于关系型数据库。你没法根据email反向查id.为了实现这样的查询，可以基于email创建secondary index.

CREATE INDEX email_index ON user(email);

当你创建索引的时候，cassandra 会创建一个隐藏table来存储数据

CREATE TABLE email_index(
   email text,
   id  bigint,
   PARMARY KEY(text,id)
);

secondary index 的这张表的信息是local aware的。和节点的数据存放在一起。而primary index是global.所以当你根据primary index columns 来查询的时候，cassandra ring 环上的每个节点都是知道数据是存储在哪些节点上的。但是如果根据secondary index columns 来查询。cassandra ring 环上的所有节点都是不知道数据放在哪些节点上的。必须要查询所有的节点。这也是为什么很多人说cassandra secondary index的效率很低的原因。但是实际上cassandra是不是会这么去查询呢，当然不会这么简单粗暴。一个1000节点的cluster，如果都去查的话，查询的coordinator肯定撑不住了。

secondary index 查询

cassandra 首先要查询所有节点，对于每个节点，要进行本地查询。没有secondary index时，不指定partition key，因为既要扫描所有的partition，每个patition里面还得全扫描，因此cassandra不允许这样的操作。创建了对应字段的secondary index后，如果不指定partition key,必须带上 ALLOW FILTERING,才能进行查询，但是不建议在生产环境中使用。

本地查询：对于每个节点的本地查询，是比较简单明了的。根据secondary index columns值查询隐藏的index table,得到primary key，然后查询原表。

cluster 查询：对于所有节点查询，cassandra 基于partition keys实现了一套复杂的算法来优化范围扫描查询。当然这套算法不止针对于secondary index.适用于所有的范围扫描。
这套算法的基本点在于，循环查询。每一轮会根据CONCURRENCY_FACTOR 来决定有多少个节点会被查询，如果返回的数据不够。CONCURRENCT_FACTOR +1，直到返回的结果集够了。

注意cassandra是根据token range 来查询这些节点的，所以返回的结果集没有特定的顺序。

Notes
尽管cassandra对范围查询进行了优化，但是不可否认的是基于secondary index查询的效率还是比较低。最好的实践是在对secondary index查询时，能够带上primary index 条件。比如partition =xxx,partition in(xx,yy)或者token(partition)>= xxx AND token(partition)<=yyy

使用场合

适用于有很多行都有的某个列(cassandra不要求每一行都必须存所有的列)，并且这列的值范围比较大。
另一方面，这些列不适合

1.经常更新，删除的列

cassandra 存储index 的墓碑有100K cells的限制，超过这个限制，基于index的column查询就会失败。
另外index的数据也是存在隐藏表里面的。如果经常更新删除这列数据，不仅要写主表，还要写隐藏表。

2.取值范围很低(low-cardinality)比如bool型

对这样的列做索引，没什么意义。index 表中只有两个partition了。如果主表数据很多的话，就会
每个partition就会很大。

3.取值范围很高(high-cardinality)比如上面的例子，一个id对应一个email.

如果对email做索引。那么当我们根据email查询时，就只有至多一个值了。最理想的情况，当我们
查询一个节点时，就恰好查到了。最糟糕的情况，得查询完所有的节点，才能查到。

看了2，3可能有些人很困惑，取值范围很低不适合index，取值范围很高也不适合index，有没有给出一个标准，什么
样的叫取值范围高，什么样的叫取值范围低。让我怎么去判断。其实在cassandra的很多地方都存在这样的问题，没有一个
非常严谨，准确的定义。需要使用者自己去平衡，根据实际的的表设计，数据分布去做性能分析，得出适合自己应用的表设计。

与物化视图，新表的区别

为了满足查询，cassandra经常需要创建新表，物化视图，索引来实现特点的查询。
索引的特点在上面已经提到了。新创建一张表会有数据冗余，但是在分布式存储系统中，这是完全可以接受的，相比较视图新表多了数据维护。但是有些情况视图和索引都解决不了，比如上面提的low-cardinality 情况，视图也没法解决。因为视图是global的，会造成hot-spot情况，及视图数据都只存在某些固定的节点。

另外视图的更新是异步更新的
对cassandra感兴趣的童鞋可以参入群(104822562)一起学习探讨

参考

http://www.planetcassandra.org/blog/cassandra-native-secondary-index-deep-dive/

https://docs.datastax.com/en/cql/3.3/cql/cql_using/useWhenIndex.html

http://www.datastax.com/dev/blog/materialized-view-performance-in-cassandra-3-x

https://wiki.apache.org/cassandra/WritePathForUsers