列式存储：Cassandra 与 Redshift

Question

Cassandra 等 NoSQL 数据库上下文中的列式存储与 Redshift 中的列式存储有何不同。如果 Cassandra 也是列式存储，那么为什么它不用于 Redshift 等 OLAP 应用程序？

Answer 1

Cassandra 和 Redshift 的存储引擎非常不同，并且是为不同的情况创建的。Cassandra 的存储在此类数据库（如 Redshift、Vertica 等）的广为人知的含义中并不是真正的“列式”，它更接近 NoSQL 世界中的键值系列。Cassandra 中使用的 SQL 语法不是任何 ANSI SQL，并且可以在那里运行的查询集非常有限。Cassandra 的引擎是为基于 key快速写入和读取记录而构建的，而 Redshift 的引擎是为快速聚合(MPP)而构建的，并且广泛支持分析查询，并在列级别存储、编码和压缩数据。

用下面的例子很容易理解：

假设我们有一个包含用户 ID 和许多指标（例如体重、身高、血压等）的表格。我将在 Redshift 中运行聚合查询，例如平均权重，它将执行以下操作（在最佳情况下）：

1. Master 将向节点发送查询。

2. 只会从存储中获取此特定列的数据。

3. 查询将在所有节点上并行执行。

4. 最终结果将被获取到 master。

在 Cassandra 中运行相同的查询，将导致扫描所有“行”，每个“行”可以有多个版本，并且只有最新的应该用于聚合。如果您熟悉任何键值存储（Redis、Riak、DynamoDB 等），它不如扫描那里的所有键有效。

Cassandra 多次用于 Spark 的分析工作流，充当存储层，而 Spark 充当实际查询引擎，基本上不应该单独用于分析查询。随着每个版本的发布，越来越多的聚合能力被加入，但它离真正的分析数据库还很远。