同一数据的多表Cassandra数据建模

Question

表1：

(enterprise_id int, domain_id text, campaign_id int, event_category text, event_action text, datetime timestamp, subscription_id text, event_label text, ........) (many more columns not part of primary key)

PRIMARY KEY ((enterprise_id,campaign_id),domain_id, event_category, event_action, datetime, subscription_id))

CLUSTERING ORDER BY (domain_id DESC, event_category DESC, event_action DESC, datetime DESC, subscription_id DESC)

表1的键和数据大小：

我的分区密钥为enterprise_id+campaign_id。每个企业可以有几个活动。datastore可能有几百个活动的数据。每个活动可以有多达200万-300万的记录。因此，在100个企业中可能有3000个分区，每个分区有2-3个miilion记录。

(enterprise_id int, domain_id text, event_category text, event_action text, datetime timestamp, subscription_id text, event_label text, campaign_id int........) (many more columns not part of primary key)

PRIMARY KEY (enterprise_id, domain_id, event_category, event_action, datetime, subscription_id))

CLUSTERING ORDER BY (domain_id DESC, event_category DESC, event_action DESC, datetime DESC, subscription_id DESC)

Cassandra查询：查询始终使用分区键+主键直到日期时间。订阅id包含在主键中，以保持每个记录的唯一性，因为主键中的其余键可以有多个具有相似值的记录。在这种情况下，数据必须是跨活动的查询，我们可能没有campaign_id作为查询中的过滤器。

表3：

(enterprise_id int, subscription_id text, domain_id text, event_category text, event_action text, datetime timestamp, event_label text, campaign_id int........) (many more columns not part of primary key)

PRIMARY KEY (enterprise_id, subscription_id, domain_id, event_category, event_action, datetime, ))

CLUSTERING ORDER BY ( subscription_id DESC, domain_id DESC, event_category DESC, event_action DESC, datetime DESC,)

表3）的关键字和数据大小：我的分区关键字是Enterprise_ID。每个企业可以有几个活动。可能是几百个活动。每个活动可以有多达2-3个Mn记录。在这种情况下，分区相当大，在一个分区中可以有所有活动的数据。可以有多达8亿-9亿个条目

如果有多个表具有相同的分区键和不同的主键，那么集群顺序改变可以吗？例如，在表2和表3中，哈希将位于enterprise_id上，并将导致相同的节点。但是，只有聚类键顺序发生了变化，允许我直接查询所需的键。在这样的场景中，表2和表3的数据会在不同的物理分区中吗？或者，如果映射到相同的分区号，cassandra将如何在内部区分这两个表？

如果我指定了分区键，是否可以使用允许筛选。例如，如果对表2使用ALLOW FILTERING，就可以避免创建表3，直接使用表2对subscription_id进行查询。又会有什么影响。

Answer 1

首先，请每个问题只作为一个问题。鉴于你的回答所需的长度和细节，这篇文章不太可能为未来的用户提供长期价值。

根据我的阅读，每个分区有这么多条目是不合适的。我如何在这个场景中实现我的用例？

不幸的是，如果在time组件上进行分区不起作用，那么您必须找到其他列来对数据进行分区。我已经看到每个分区的行在50K到20K的范围内工作正常。高端的大多数用例都有小分区。看起来您的模型有很多列，所以我想知道分区的平均大小。基本上，找到一个要分区的列，在该列上保持分区大小在10MB到1MB的范围内。

是的，这完全没问题。

在这样的场景中，表2和表3的数据会在不同的物理分区中吗？或者，如果映射到相同的分区号，cassandra将如何在内部区分这两个表？

分区被散列为+/-2^63之间的数字。然后将该数字与映射到所有节点的分区范围进行比较，然后将查询发送到该节点。所以分区所做的就是确定哪个节点负责数据。