[译文]Cassandra实例_cassandra 实例

原文: http://www.rackspacecloud.com/blog/2010/05/12/cassandra-by-example/#
原作者：Eric Evan
原文发布日期：May 12, 2010
译者：王旭（http://wangxu.me/blog/ , @gnawux）
翻译时间：2010年5月15,25,26日

近来 Cassandra 备受瞩目，很多人正在评估是否可以应用 Cassandra。由于这些人更多的追求速度，相应的，我们的文档就过于粗浅了。这些文章中，最差的是为有关系数据库基础的人解释Cassandra数据模型的那些。

Cassandra 数据模型实际和传统的数据库差异非常大，足够让人眩晕，而且很多误解都需要修正。

有些人把这个数据模型描述成存放map的map，或对于super column的场景，是存放map的map的map。这些解释经常用类似 JSON 标记的视觉辅助展示方法来进行佐证。其他人则把列族看做是系数表，还有人把列族看作是存放列对象的集合容器。甚至有人有时把列看走势三元组。我觉得所有这些解释都不够好。

问题在于很难去用类比的方法来确切解释一个新的东西，而且如果比较的不准确的话常常把人搞糊涂。我仍然期望有人能解释清楚这个数据模型，但同时我觉得确切的例子可能更容易说明白一些。

 

Twitter

尽管 Twitter 本身就是 Cassandra 的一个实际的应用场景，它仍然是一个不错的教学实例，因为它众所周知而且易于抽象。在例子中，和很多站点一样，每个用户都有一份用户数据（显示名称、密码、email等），这些信息链接到朋友（译注：用户follow的人）和 follower（译注：follow用户的人）。此外，如果没有那些短 tweets 的话也就不是 twitter 了，tweet每条140个字符，它们都关联着诸如时间戳和惟一的id这样的元数据，这个id我们可以从URL里看到。

现在我们在一个关系数据库里来直接进行建模，我们首先需要一个表来存放用户。

我们还需要两张表来存储一对多的follow关系。

显然，我们还需要表来存储tweets。

由于仅仅是个例子，我已经极大简化了情况，但仅仅是这个极度简化的模型，也还有很多需要做的工作。例如，要以可行的方法达到达到数据归一化就需要一个外部键值约束，而因为我们需要从多张表join信息，我们需要对任意值建索引，以保证高效。

但是让一个分布式系统正常工作相当有挑战性，几乎不可能不做任何折衷。对Cassandra来说也是如此，而且这也是为什么上述数据模型对我们来说是无法工作的的原因。对于入门者，没有可供参考的完整性，缺乏次索引使得join很难进行，所以，你必须反归一化。另一方面，你被迫思考你要进行的查询的方式和期望结果，因为这差不多就是数据模型看起来的样子。

 

Twissandra

那么如何把上述模型翻译到Cassandra中呢？十分幸运，我们只需要看看 Twissandra，这是 Eric Florenzano 写的一个 Twitter 的简化版克隆，用作例子。那么让我们来使用 Twitter 和 Twissandra 作为例子来看看 Cassandra 的数据模型是如何的。

 

Schema

Cassandra 是一种无 schema 的数据存储方式，但为你的应用做一些特定的配置还是必要的。Twissandra 给出了一个可以工作的 Cassandra 配置，不过研究一下关于数据模型方面的配置还是物有所值的。

 

Keyspaces

Keyspaces 是 Cassandra 中最顶层的命名空间。在未来版本的 Cassandra 中，将可以动态创建 keyspace，正如在 RDBMS 中创建数据库一样，但是对于 0.6 和以前的版本，这些都在主配置文件中定义，如：

Column Families

对于每个 keyspace，都可以有一个或多个列族。列族是用于关联类型相近的记录的命名空间。Cassandra 在写操作时，在一个列族内部允许有记录级的原子性，对它们进行查询非常高效。这些特性十分重要，在进行你的数据建模前必须记牢，它们会在下面讨论到。

和keyspace类似，列族也在主配置文件中定义，虽然在将来的版本中你将可以在运行时创建列族，正像在RDBMS中创建表一样。

需要指出的是，上面的配置片段中，指定名字的时候同时指定了一个比较者类型。这凸显了 Cassandra 和传统数据库的又一个重大不同，记录按照设计的顺序存储，在之后不能轻易改变。

 

这些列族都是什么?

一下子看所有的七个Twissandra列族是干什么的可能不那么直观，所以，我们来逐个仔细看一下：

• User

• User用于存储用户信息，大致相当于上面描述的用户表。列族中的每条记录以UUID为键值，并包含用户名和密码列。

• Username

• 在User列族中查询一个用户需要知道用户的键值，但从用户名怎么找到这个UUID键值呢？在上面描述的SQL关系数据库里的话，我们就在User 表里来一个匹配用户名的SELECT语句（WHERE username = ‘jericevans’）就行了。但这对于Cassandra来说却不可能。

  首先，关系数据库可以顺序地扫描全表来进行这样一个 SELECT，但由于记录是基于键值分布在 Cassandra 集群中的，这个匹配将可能会在多个节点上进行，可能是很多节点。而且，即使是数据就在一个节点上，仍然有一个原因会让这一操作远没有关系数据库效率高，因为关系数据库可以对username列有索引。前面提到过，Cassandra是不支持第二索引的。

  解决方案就是，建立一个我们自己的反向索引，进行用户名到UUID键值的映射，这就是Username列族的用途。

• Friends
• Followers

• Friends 和 Follower 列族可以回答这些问题：用户X follow了哪些人？谁follow了用户X？这两个列族的键值都是这个唯一的用户ID，其中包含了哪些有follow关系的用户以及它们创建的时间。

• Tweet

• Tweet 列族用于存放所有的tweets。这个列族以每个 tweet 的 UUID为键值，还包含了用户id，tweet内容以及tweet时间这些列。

• Userline

• 这是属于每个用户的时间线。记录的键值是用户的ID，其他的列中，包含有一个数字时间戳到Tweet列族中的tweet ID的映射。

• Timeline

• 最后，Timeline列族类似于Userline，只是这里存储着每个用户的朋友的tweet的时间线视图。

  有了上面这些列祖，现在我们可以看一些常用的操作都是如何发生的。

   

  把这些列族放在一起来试一下

  添加一个新用户

  首先，新用户需要一个方法来注册一个账户，当他们注册的时候，组要将他们添加到Cassandra数据库中去。对于Twissandra，我们来看看里面的内容：

  1	username = 'jericevans'

  2	password = '**********'

  3	useruuid = str(uuid())

  4

  5	columns = {'id': useruuid, 'username': username, 'password': password}

  6

  7	USER.insert(useruuid, columns)

  8	USERNAME.insert(username, {'id': useruuid})

  Twissandra是用Python写成的，使用 Pycassa 作为访问 Cassandra的客户端，上述大写的 USER 和 USERNAME 是 pycassa.ColumnFamily 的实例，它们需要在使用之前的某个位置被分别初始化。

  这里说明一下，这不是从 Twissandra 里原样摘出来的。我让他们更加简单而且是自包含的。比如，在上面的例子中，如果没有对用户名和密码的赋值的话，可能不那么好理解，不过一个 web 应用只能从用户注册表单里得到这些内容。

  从这个例子中回来，有两个不同的 Cassandra 写操作（insert()），第一个创建了一个用户列族，另一个更新了用户名到用户 UUID 键值的反向映射表。在两个例子中，参数都是用于查找记录的键值，以及包含列名和值的map。

   

  Following 一个朋友

  1	frienduuid = 'a4a70900-24e1-11df-8924-001ff3591711'

  2

  3	FRIENDS.insert(useruuid, {frienduuid: time.time()})

  4	FOLLOWERS.insert(frienduuid, {useruuid: time.time()})

  这里我们再来两个不同的insert()操作，这次是加入一个用户到我们的朋友列表，并加入反向关系：给被 follow 用户添加一个 follower。

   

  发出Tweet

  01	tweetuuid = str(uuid())

  02	body = '@ericflo thanks for Twissandra, it helps!'

  03	timestamp = long(time.time() * 1e6)

  04

  05	columns = {'id': tweetuuid, 'user_id': useruuid, 'body': body, '_ts': timestamp}

  06	TWEET.insert(tweetuuid, columns)

  07

  08	columns = {struct.pack('>d', timestamp: tweetuuid}

  09	USERLINE.insert(useruuid, columns)

  10

  11	TIMELINE.insert(useruuid, columns)

  12	for otheruuid in FOLLOWERS.get(useruuid, 5000):

  13	TIMELINE.insert(otheruuid, columns)

  要存储一条新的tweet，我们需要使用一个新的UUID作为键值，在 Tweet列族创建一个记录，其中的列包含作者的用户ID，创建的时间，当然还有tweet的文本内容本身。

  此外，用户的 Userline 中也要加入tweet的时间和它的id。如果这是用户的第一条tweet的话，这个insert()会产生一条新的纪录，后面的只是为这条记录添加新列。

  最后要给发出tweet的用户和其他follower的 timeline 列族添加这条tweet的ID和时间。

  值得注意的一件事是，这里，时间戳使用的是64位长整型变量，而当它成为一个列的名字的时候，它会被打包为网络字节序的二进制值。这是因为 Userline和Timeline列族使用了一个LongType Comparator，允许我们使用数值区间指定查找指定范围，所以它们被按照数值来存放起来。

   

  接收一个用户的 tweets

  1	timeline = USERLINE.get(useruuid, column_reversed=True)

  2	tweets = TWEET.multiget(timeline.values())

  接收一个用户的tweet，首先从Userline获取tweet ID的一个列表，然后从Tweet列族通过multiget()方法莱读取这些tweet。得到的结果将是通过着数值表示的时间戳逆序排列的，因为Userline使用了LongTyper comparator，并且reversed设置为了True。

   

  获取一个用户的时间线

  1	start = request.GET.get('start')

  2	limit = NUM_PER_PAGE

  3

  4	timeline = TIMELINE.get(useruuid, column_start=start,

  5	column_count=limit, column_reversed=True)

  6	tweets = TWEET.multiget(timeline.values())

  和上一个例子类似，这次是从 Timeline 读取 tweet ID，不过这次我们还使用了 start 和 limit 来控制读取列的范围。这样有助于输出结果的分页。

   

  那么，下一步呢?

  希望这足够提供给你一个大致的概念。重复一下，我从代码中提取了一些例子，为了简明起见，略去了一些操作，所以现在可能是 check out 出Twissandra 的源代码并进行下一步深入研究的好时候了。有很多功能，诸如 retweet 和 lists，都还空着没有实现，可以作为一个练习的起点。如果你已经熟悉 Python 和 Django 的话，那你可以考虑实现一下这些方法。

  Cassandra 的 wiki 包含了大量的信息，而且还在不断增多，还包括一个实时更新的其他人贡献的文章与幻灯片的列表。

  如果你喜欢IRC的话，你可以加入 irc.freenode.net 的 #cassandra 频道，来和那里的人聊天，他们总是热衷于提供帮助和回答问题。如果你更青睐 email 的话，cassandra-user 邮件列表上也有很多可以提供帮助的人。

  No related posts.