Module 03 · Introducing Apache Cassandra: An Open-Source NoSQL Database

Apache Cassandra Data Model: Part 1Apache Cassandra 数据模型（第一部分）

欢迎观看关于 Apache Cassandra 数据模型 的介绍视频。在本视频中，您将能够：

描述 Cassandra 数据模型中的逻辑实体，
描述主键在 Cassandra 表中的作用，
解释 分区键 的含义，
描述 Cassandra 支持的两种表类型。

数据模型：键空间和表

键空间（Keyspace）

Cassandra 将数据存储在表中，而表的存储方式在集群和节点级别定义。键空间 是一个逻辑实体，包含一个或多个表。键空间还定义了一些选项，这些选项适用于该键空间中的所有表，其中最重要的选项是 复制策略，它定义了数据的冗余方式。

键空间 通常建议每个应用程序使用一个。

表（Table）

表是数据存储的逻辑实体，每个表包含行和列。您可以创建、删除和更改表，而不会影响正在运行的数据更新或查询。

主键和分区键

主键（Primary Key）

在 Cassandra 中，主键由两部分组成：

分区键（Partition Key）：这是必需的部分，它决定了数据的分布和存储位置。
聚类键（Clustering Key）（可选）：它用于在分区内部排序数据。

主键的作用是：

优化查询性能：主键的设计应基于您常用的查询。
确保数据的唯一性：主键保证每条数据的唯一性。

分区键的作用

分区键 用于确定数据在集群中的存储位置。它通过哈希函数计算，将数据分配到合适的节点和副本。

数据本地化：分区键决定了数据在集群中的位置，确保了数据的高效存储和检索。

例如，假设我们要存储与 groupid 相关的数据，Cassandra 会根据 groupid 对数据进行分区，并将其分配到集群中的不同节点。

分区和聚类

分区是 Cassandra 存储的基本单元。每个分区的所有数据都会存储在同一节点上，并有副本分布在其他节点上。
聚类：在分区内部，数据会根据 聚类键 排序。

静态表与动态表

Cassandra 支持两种类型的表：

静态表（Static Table）：
- 主键只包含分区键，没有聚类键。
- 静态表的每个分区只有一个条目，称为 静态分区。
动态表（Dynamic Table）：
- 主键包含分区键和一个或多个聚类键。
- 动态表可以在一个分区中存储多个条目，并根据聚类键排序。

静态表示例

例如，用户表 可以是一个静态表，其主键仅由 分区键（例如，用户 ID） 组成。每个用户将有一个对应的分区。

总结

通过本视频，您学习了：

Cassandra 将数据存储在表中，而表被组织在 键空间 中。
每个表有一个主键，主键包含 分区键 和（可选的）聚类键。
分区键 确定数据的分布和存储位置，而 聚类键 用于对数据进行排序。
Cassandra 支持 静态表 和 动态表，静态表只包含 分区键，而动态表包含 分区键 和 聚类键。

核心概念深度解析

1. 逻辑存储结构：Keyspace -> Table

Keyspace (键空间):
- 通俗理解： 一个Keyspace就像一个数据库（Database）或一个命名空间。它是一个逻辑容器，里面可以包含多张表（Table）。通常，一个应用对应一个Keyspace。这是一种很好的逻辑隔离方式。
- 架构师视角： 在Keyspace层面，你需要定义最重要的副本策略（Replication Strategy） 和复制因子（Replication Factor）。这些设置将作用于该Keyspace下的所有表，决定了数据在集群中如何分布和复制，直接关系到系统的可用性和容灾能力。这是你在做容量规划和容灾方案时必须配置的。
Table (表):
- 通俗理解： 表就是实际存放数据的地方，由行（Row）和列（Column）组成。
- 架构师视角： Cassandra支持在线执行DDL操作（如CREATE, DROP, ALTER TABLE），而不会阻塞线上的读写操作，这为业务迭代和模型变更提供了极大的灵活性。但需要注意的是，频繁的ALTER操作可能会带来一些性能开销。

2. 核心中的核心：主键 (Primary Key) 的设计

这是Cassandra与关系型数据库（RDBMS）最根本的区别，也是设计难点所在。

主键的双重角色：
1. 提供唯一性： 确保每一行数据是唯一的。
2. 优化查询性能（更重要！）： 你的查询必须基于主键来设计。Cassandra不像关系数据库那样可以通过任意字段加索引来灵活查询。它的高效查询严重依赖于主键的设计。这就是所谓的 “查询驱动建模（Query-Driven Modeling）” 。
主键的组成：
主键 = 分区键 (Partition Key) + [聚类键 (Clustering Key)]
- 分区键 (Partition Key): 强制必须有。它的作用是决定数据存储在哪个节点上。
  - 工作机制： 对分区键的值计算一个哈希值（Token），根据这个Token值将数据分配到集群中的某个节点（及其副本）。
  - 架构师视角： 分区键的设计是重中之重。
    - 目标1：数据均匀分布。 要选择一个基数（不同值的数量）足够高的列作为分区键，避免产生“热点节点”（某个节点存储过多数据，承担过多压力）。例如，用user_id比用gender做分区键好得多。
    - 目标2：支持核心查询。 你的查询的WHERE条件必须包含分区键，否则Cassandra将不得不进行全集群扫描（效率极低，被视为反模式）。
- 聚类键 (Clustering Key): 可选的。它的作用是在一个分区内对数据进行排序和组织。
  - 工作机制： 在同一个分区内（即分区键相同的数据），数据行按照聚类键的顺序物理存储。
  - 架构师视角： 聚类键用于：
    - 排序： 让你能按聚类键的顺序高效检索分区内的数据（如按时间戳倒序排列用户消息）。
    - 范围查询： 可以在分区内进行高效的范围查询（如WHERE partition_key = X AND clustering_key > Y）。
    - 进一步定义唯一性： 主键的完整唯一性由分区键 + 聚类键共同决定。

视频中的例子解析：

CREATE TABLE groups (groupid int, username text, age int, group_name text, PRIMARY KEY ((groupid), username));

PRIMARY KEY ((groupid), username)
分区键： groupid（注意括号，复合分区键也会用括号括起来）
聚类键： username
设计意图： 为了高效查询“某个组内的所有用户”（WHERE groupid = ?）。所有groupid=12的数据都会作为一个分区存储在同一个节点上，查询时只需访问一个节点（及其副本）即可得到全部结果，性能极高。

3. 分区 (Partition)：存储的原子单元

通俗理解： 一个分区就是所有共享同一个分区键值的数据行的集合。它是Cassandra中数据存储、复制和分发的最小单位。
架构师视角：
- 分区的尺寸需要被关注。一个分区过大（例如存储数十万行数据）可能会在读写和压缩时带来性能问题。设计时需要估算一个分区可能增长到的最大尺寸。
- 如视频所说，查询WHERE groupid=12，数据库直接就能定位到存储该分区的节点，效率极高。这就是良好设计的威力。

4. 静态表 (Static Table) vs. 动态表 (Dynamic Table)

这个分类完全由主键结构决定。

静态表 (Static Table):
- 定义： 主键只有分区键，没有聚类键。
- 特点： 每个分区键值只对应一行数据。例如，一个users表，以user_id作为分区键，每个用户ID在表中只有一行记录。
- 数据模型： 类似于键值存储（Key-Value），每个分区就是一个值。
动态表 (Dynamic Table):
- 定义： 主键包含分区键和聚类键。
- 特点： 每个分区键值可以对应多行数据（这些行通过不同的聚类键值区分）。例如上面的groups表，一个groupid（分区）下可以有多个username（聚类），每个用户名是一行。
- 数据模型： 类似于宽列存储（Wide-Column），每个分区下包含一个有序的行集合。

总结给你（系统架构师备考者）

思维转变： 忘记关系数据库的范式化设计。Cassandra是 “为查询而生” 的。设计数据模型的第一步是列出所有业务查询，然后为每个查询设计最适合它的表结构（这通常意味着大量数据冗余）。
核心法则： 查询必须带分区键。这是保证高性能的铁律。
设计流程：
- 确定应用所需的Keyspace和副本策略。
- 为每个查询语句设计一张表。
- 根据查询条件确定分区键（确保数据分布均匀）。
- 根据排序和范围查询需求确定聚类键。
- 将所有需要的字段都加入表中（敢于冗余）。
权衡： 用存储空间和数据冗余来换取极致的读写性能和无限的水平扩展能力。这是NoSQL的典型 trade-off。

掌握这些概念，你就能设计出高效、稳定的Cassandra数据模型，从而支撑起庞大的业务系统。