MySQL数据模型对卡桑德拉的帮助？

Question

我试图将RDBMS模型移到Cassandra，并且很难创建模式。以下是我的数据模型：

CREATE TABLE Domain (
    ID INT NOT NULL PRIMARY KEY,
    DomainName NVARCHAR(74) NOT NULL,
    HasBadWords BIT,
    ...
);
INSERT INTO Domain (DomainName, HasBadWords) VALUES ('domain1.com', 0);
INSERT INTO Domain (DomainName, HasBadWords) VALUES ('domain2.com', 0);

CREATE TABLE ZoneFile (
    ID INT NOT NULL PRIMARY KEY,
    DomainID INT NOT NULL,
    Available BIT NOT NULL,
    Nameservers NVARCHAR(MAX),
    Timestamp DATETIME NOT NULL
);
INSERT INTO ZoneFile (DomainID, Available, Nameservers, Timestamp) VALUES (1, 0, "ns1", '2010-01-01');
INSERT INTO ZoneFile (DomainID, Available, Nameservers, Timestamp) VALUES (2, 0, "ns1", '2010-01-01');
INSERT INTO ZoneFile (DomainID, Available, Nameservers, Timestamp) VALUES (1, 1, "ns2", '2011-01-01');
INSERT INTO ZoneFile (DomainID, Available, Nameservers, Timestamp) VALUES (2, 1, "ns2", '2011-01-01');

CREATE TABLE Backlinks (
    ID INT NOT NULL PRIMARY KEY,
    DomainID INT NOT NULL,
    Backlinks INT NOT NULL,
    Indexed INT NOT NULL,
    Timestamp DATETIME NOT NULL
);
INSERT INTO Backlinks (DomainID, Backlinks, Indexed, Timestamp) VALUES (1, 100, 200, '2010-01-01');
INSERT INTO Backlinks (DomainID, Backlinks, Indexed, Timestamp) VALUES (2, 300, 600, '2010-01-01');
INSERT INTO Backlinks (DomainID, Backlinks, Indexed, Timestamp) VALUES (1, 500, 1000, '2010-01-01');
INSERT INTO Backlinks (DomainID, Backlinks, Indexed, Timestamp) VALUES (2, 600, 1200, '2010-01-01');

由此，我推断出我可能有一个键空间: DomainData。在这个键空间中，我可以有一个名为" Domain“的列族，它类似于sql中的域表：

"Domain" : { //ColumnFamily
    "domain1.com" : { "HasBadWords" : 0 }, //SuperColumn
    "domain2.com" : { "HasBadWords" : 0 }  //SuperColumn
}

下面的表格是我开始感到困惑的地方。ZoneFile和反向链接本质上应该存储每个域查找这些值的结果历史记录。因此，一个域到多个ZoneFile记录。出于查询目的，我希望能够轻松地获得“最新”ZoneFile记录或给定的域。我需要做同样的反向链接。

我正在考虑这样的事情，并对域的键进行范围查找，然后得到“最后”的记录，这应该是最新的时间戳.

"ZoneFiles" : { //ColumnFamily
    "domain1.com:2010-01-01 12:00:00.000" : { "Available" : 0, "Nameservers" : "ns1" }, //SuperColumn
    "domain1.com:2011-01-01 12:00:00.000" : { "Available" : 1, "Nameservers" : "ns2" }, //SuperColumn
    "domain2.com:2010-01-01 12:00:00.000" : { "Available" : 0, "Nameservers" : "ns1" }, //SuperColumn
    "domain2.com:2011-01-01 12:00:00.000" : { "Available" : 1, "Nameservers" : "ns2" }  //SuperColumn
}

我不相信这是正确的答案，字符串域和键中字符串日期时间的组合感觉是错误的。有人能给我指明正确的方向吗？

编辑：

假设我使用：

"ZoneFiles" : {
  "domain1.com" : {
    timestamp1 : "{\"available\":1,\"nameservers\":\"ns1\"}",
    timestamp2 : "{\"available\":1,\"nameservers\":\"ns1\"}",
  }
}

如何查询最新时间戳比给定日期更旧的域行列表？

Answer 1

如果我正确地理解了你的问题，你想在这个模型上做的唯一的查询是“请给我一个给定域的最新区域文件或反向链接”？

如果是这样的话，我将将这些列的最新值存储在域行键下的"Domain“列族中，并将其存储在单独的列中。我还会在更新最新值(时间戳)时存储该值。每次您在zonefile和反向链接中获得信息的新值时，我只需重写"Domain“列系列中的值并更新时间戳。

我假设您还保存了这些历史数据，以便查询它，并且假设这种查询将是“显示给定域的所有更新两次”(这是正确的吗？)如果是这样的话，我不会手动构造这样的复合行键，因为它将要求您使用保持顺序的分区器从get_range_slices获得正确的结果。正如您可能知道的那样，使用OPP进行负载平衡可能是一项困难的任务。

相反，我会让行键是域id，列键是更新的时间戳。然后，您可以将更新打包到单个值(例如使用json)、使用超级列或使用0.8中的新组合键。如果这样做，您可以使用一个get_slice来满足您的查询，并且它将在随机分区器中正确运行，从而使负载平衡更加容易。

汤姆·威尔基( @tom_wilkie )-阿克努( Acunu )- www.acunu.com

回复评论：“我如何查询最近的zonefile时间戳列比给定时间戳更旧的域列表？”

您可以通过插入另一个列家族来实现这一点：

row key: day (or hour, or some other reasonable 'bucketing') 
column key: timestamp of update 
value: domain

更新区域文件的...every时间。然后，要获得自t以来最新更新的域，请执行以下操作：

result = []
for i in day(t) ... day(now):
    result.extend(get_slice(i, range(t, '')))

这将要求您从结果中删除重复条目，因此只有在t是最近的时候才能最好地工作。您还必须考虑写操作的负载平衡，这将将所有负载集中在单个服务器上(因为，在任何时候，您只插入一行)。

如果这些权衡是不合适的，那么您可以查看hadoop集成并使用它来执行此查询。或者您也可以进行其他权衡(使用OPP，或者在写入之前进行读取以删除副本，这将是缓慢的)