在Cassandra中建立一对多关系的最佳方法是什么？

Question

假设我要设计一个系统，用户可以在其中创建帖子，每个帖子都属于一个用户，但一个用户可能有多个帖子。还假设除了要简单地通过postId查找帖子外，我还希望支持查找具有给定userID的所有帖子。我还想存储用户特定的帐户详细信息，例如帐户创建日期。

一种建模方法如下：

CREATE TABLE user (
   userId int,
   name varchar,
   userDetail1,
   userDetail2,
   ...,
   PRIMARY KEY(userId)
);

CREATE TABLE post (
   postId int,
   postDetail1,
   postDetail2,
   ...,
   userId int,
   PRIMARY KEY(postId)
);

据我所读，这不是最佳方法，因为查询特定用户发表的帖子会导致内存效率低下。它是否正确？这是Cassandra不支持在userId上索引发布表的原因吗？

那么理想的解决方案如下吗？

CREATE TABLE user (
   userId int,
   name varchar,
   userDetail1,
   userDetail2,
   ...,
   PRIMARY KEY(userId)
);

CREATE TABLE post (
   postId int,
   postDetail1,
   postDetail2,
   ...,
   userId int,
   PRIMARY KEY(postId)
);

CREATE TABLE user_to_post (
   userId int,
   postId int,
   userDetail1,
   userDetail2,
   ...,
   postDetail1,
   postDetail2,
   ...,
   PRIMARY KEY(userId, postId)
);

使用组合键，查询特定用户的帖子效率更高。但是，采用这种设计，专门为发帖设置表格是否多余？同样，在这种设计中，我希望查找特定用户发布的帖子，并且还希望快速链接到给定帖子的特定用户。我已经读了很多书，但是对于如何在Cassandra中精确设计一对多关系感到非常困惑。

Answer 1

这在很大程度上取决于您要实现的所有请求。如果我理解正确，则您希望能够：

1. 通过ID获取特定用户
2. 获取用户的帖子列表

我的大部分建议都来自DataStax 出色页面的Cassandra数据建模基本规则。您必须首先了解该问题没有明确的答案。它在很大程度上取决于您要运行的查询以及您准备进行的权衡。例如：您是否期望特定用户的帖子数量真的很高（数千或数百万）？什么是最频繁的查询（即围绕数据建模的查询）？

• 第一个模型似乎违反了规则2：最小化分区读取次数。帖子表的分区键是帖子ID（我想是随机的，例如UUID），结果是帖子分布在整个集群中。因此，假设您具有特定用户的帖子列表（实际上需要非常低效的集群扫描），那么如果每个用户的帖子数量足够大，您的请求将必须命中集群中的每个服务器。这是最坏的情况，绝对不是您想要的。

• 第二种模型本质上更好，因为每个请求都可以使用一个请求来实现。您将存储空间用于读取性能，这通常是一件非常好的事情。我可能只是建议您查看物化视图（Cassandra 3.0+），它确实为您维护了这样一个表，尽管对您提出的MV所做的建议很复杂，因为您只能提供一个表作为视图源（即帖子）。

我还可以建议一种替代模型，该模型可以解决第一个建议中的设计缺陷，而无需重复数据（这同样不是问题），这里的关键是将User ID用作分区键，并将Post用于发布。 ID作为聚类密钥。这允许将特定用户的所有帖子存储在同一节点上，从而为从特定用户请求帖子提供了良好的性能。

CREATE TABLE user (
   userId int,
   name varchar,
   userDetail1,
   userDetail2,
   ...,
   PRIMARY KEY(userId)
);

CREATE TABLE post (
   userId int,
   postId int,
   postDetail1,
   postDetail2,
   PRIMARY KEY(userId, postId)
);

该解决方案的主要缺点是，它使检索单个帖子的过程稍微复杂化：除了帖子ID外，您还必须传递用户ID信息。这可能不是问题，因为两者是内在联系的。

再次提醒您，除了非常简单的情况外，计算机科学中不可能存在一种最佳的做任何事情的最佳方法。这取决于您要最大化的指标集，要进行的权衡，更重要的是，对于存储系统而言，您将要运行的工作负载。