MySQL 亿级数据迁移 之 Cassandra概述

哈喽！今天心血来潮给大家带来了《MySQL 亿级数据迁移 之 Cassandra概述》，想必大家应该对数据库都不陌生吧，那么阅读本文就都不会很困难，以下内容主要涉及到MySQL、数据库、NoSQL、cassandra，若是你正在学习数据库，千万别错过这篇文章~希望能帮助到你！

原项目中诸如 用户浏览文章记录等写多读少的表，数据量亿级以上，用MySQL存储性能不太佳，所以尝试迁移到 NoSQL 数据库，对比后选择了 ScyllaDB。

ScyllaDB介绍

Scylla是一个开源、分布式、去中心化、弹性可扩展、高可用、容错、可调一致性、面向行的数据库。

Scylla使用C++重新实现了Cassandra，以提高性能并利用多核服务。它解决了Apache Cassandra的一些陷阱，是Apache Cassandra的嵌入式替换数据库，这两个数据库之间的驱动程序互相兼容。

Hbase与ScyllaDB

• Scylla是p2p架构，无单点失效问题，Hbase是主从结构，需要选主，维护主从关系；
• Scylla是AP系统，也可以通过调整参数使它成为CP系统（只要R+W>N），HBase是CP系统，对数据有强一致性需求就使用HBase；
• Scylla是一个数据存储和数据管理系统。HBase只负责数据管理，它需要配合HDFS和zookeeper来搭建集群；
• Scylla写性能好一些，由于数据哈希较分散，读性能不如HBase。HBase写过程比较繁琐，但其数据在regin内是排序的，读性能更好；
• 两个都适合存放 time-series data，例如传感器数据，网站访问，用户行为，股市交易数据等；
• Scylla擅长数据接入，因为写性能比较好。

Docker搭建ScyllaDB集群

docker run --name scylla-node2 -p 8042:9042 -p 8160:9160 -p 1000:10000 -p 8180:9180 -v /data/scylladb2:/var/lib/scylla -d scylladb/scylla --seeds="$(docker inspect --format='{{ .NetworkSettings.IPAddress }}' scylla)"

docker run --name scylla-node3 -p 10042:9042 -p 10160:9160 -p 1100:10000 -p 10180:9180 -v /data/scylladb3:/var/lib/scylla -d scylladb/scylla --seeds="$(docker inspect --format='{{ .NetworkSettings.IPAddress }}' scylla)"

docker run --name scylla-node4 -p 11042:9042 -p 11160:9160 -p 1200:10000 -p 11180:9180 -v /data/scylladb4:/var/lib/scylla -d scylladb/scylla --seeds="$(docker inspect --format='{{ .NetworkSettings.IPAddress }}' scylla)"

接下来先介绍Cassandra的基础信息。

数据模型

Cassandra的数据模型借鉴了谷歌BigTable的设计思想，有以下几个概念：

1. 键空间（keyspace）：相当于关系型数据库模型中的database，是最上层的命令空间。
2. Key：对应 SQL 数据库中的主键，在 Cassandra 中，每一行数据记录是以 key/value 的形式存储的，其中 key 是唯一标识。
3. 列族：列族是有序行集合的容器，反过来，每一行都是有序的列集合。
4. 列（column）：最基本的数据结构单元，由name和value组成，其包含时间戳和生存时间属性（可以通过writetime()或者ttl()函数查看。
5. 超级列（super column）：超级列是一个特殊列，因此它也是一个键值对。但是超级列存储子列的映射。Cassandra 允许 key/value 中的 value 是一个 map(key/value_list)，即某个 column 有多个子列。

Cassandra中Keyspace的基本属性有

• 复制因子 : 它是群集中将接收相同数据副本的计算机数量.
• 副本放置策略 : 它只不过是将复制品置于戒指中的策略.我们有策略，例如简单策略(机架感知策略)，旧网络拓扑策略(机架感知策略)和网络拓扑策略 (数据中心共享策略).
• 列族 : Keyspace是一个或多个列族列表的容器.反过来，列族是行集合的容器。每行包含有序列，列族表示数据的结构，每个键空间至少有一个且通常很多列族。

创建Keyspace的语法如下

 CREATE KEYSPACE Keyspace name
 WITH replication = {'class': 'SimpleStrategy', 'replication_factor' : 3};

三种主要的键

Cassandra主要由三种键：

1. primary key：用于确定一条数据的键，由partition key 和clustering key组成（clustering key不是必要的）
2. partition key：用于数据分区。从群集读取或写入数据时，将使用一个名为Partitioner的函数来计算分区键的哈希值。该哈希值用于确定包含该行哈希值的节点
3. clustering key：主要用于进行范围查找及排序（相当于SortedMap中的key）

Cassandra会对partition key做一个hash计算，并自己决定将记录放到哪个NODE，partition key 可以是单一主键，也可以是复合主键，但是主键不能重复（主键重复的记录很可能会被。clustering key主要用于进行Range Query（范围查找），并且使用的时候需要按照建表顺序进行提供信息。

CREATE TABLE brows_record_by_target (
        target_id bigint,
        create_user bigint,
        TYPE text,
        app_id text,
        create_time timestamp,
        id bigint,
        PRIMARY KEY ((target_id, TYPE, app_id), create_user, create_time))
WITH CLUSTERING
ORDER BY
    (create_user DESC, create_time DESC);

其中(target_id, TYPE, app_id)是分区键，create_user, create_time是聚集键，整个组合成PRIMARY KEY。

核心组件

Cassandra的核心组件包括：
Gossip：点对点的通讯协议，用来相互交换节点的位置和状态信息。当一个节点启动时就立即本地存储Gossip信息，但当节点信息发生变化时需要清洗历史信息，比如IP改变了。通过Gossip协议，每个节点定期每秒交换它自己和它已经交换过信息的节点的数据，每个被交换的信息都有一个版本号，这样当有新数据时可以覆盖老数据，为了保证数据交换的准确性，所有的节点必须使用同一份集群列表，这样的节点又被称作seed。

Partitioner：负责在集群中分配数据，由它来决定由哪些节点放置第一份的copy，一般情况会使用Hash来做主键，将每行数据分布到不同的节点上，以确保集群的可扩展性。

Replica placement strategy：复制策略，确定哪个节点放置复制数据，以及复制的份数。

Snitch：定义一个网络拓扑图，用来确定如何放置复制数据，高效地路由请求。

cassandra.yaml：主配置文件，设置集群的初始化配置、表的缓存参数、调优参数和资源使用、超时设定、客户端连接、备份和安全

数据分布

从Cassandra1.2开始，Cassandra每个节点可以拥有很多个token(哈希范围)。这种新的模式叫做虚拟节点。虚拟节点允许每个节点拥有很多集群中哈希范围。虚拟节点也是用一致性哈希分布数据，但是用它却不需要生成和分配令牌。每个节点根据配置的虚拟节点从哈希环中随机获取m个虚拟节点（m为配置的虚拟节点数）。

使用虚拟点的好处

1. 无需计算和分配集群中每个节点的token。
2. 添加或者删除节点时，集群会自动重新平衡负载。当一个节点加入集群，它将分摊来自集群中其他节点的部分数据；如果某个节点发生故障，则在该节点上的数据将会平均分配到集群中的其他节点
3. 重建死掉的节点更快。
4. 允许同一集群内使用不同性能的机器

CQL

CQL的简单使用

CQL详细指南

对标SQL差异化

• 支持了json方式的select\insert
• update执行如果不存在会新增
• 更新where条件必须包含所有主键，且不能更新类型为static的字段
• 增删改查必须在主键列上 ，对于（A，B）形式的主键，假如查询条件不带分区键A，则查询语句需要开启allow filtering。
• partition key字段过多会对以后的查询造成很大困扰，在建表的时候首先一定要考虑好数据模型，以免后期掉坑

查询限制

• 在利用主键进行查询时，由于 partition key 是 hash 实现的，所以只能用=；

• 而 clustering key, 是 sortedMap 实现的，可以用做范围查找与等号查找。例如：定义

  select * from users where mainland = 'northamerica' 
  and state > '1' and state 

• 复合的partition key 查询时则要满足key_part_one=' ' and key_part_two =' '

• 此外，Cassandra 整体数据可以理解成一个巨大的嵌套的Map。 只能按顺序一层一层的深入，不能跳过中间某一层。例如：

  select * from users where location = 'shanghai' and uid 

  由于没有提供state的信息，不可行。

总之，Cassandra 中的存储，是2-level nested Map（2级嵌套map）：Partition Key –> Custering Key –> Data

索引查询

索引：索引可以创建在除了 partition key 之外所有的列上，当然有些类型除外，例如集合类型。采用索引进行查询时，具体限制为：

• 索引列只可以用=号查询
• 如果查询条件里，有一个是根据索引查询，那其它非索引非主键字段，可以通过加一个ALLOW FILTERING来过滤实现。例如

  SELECT * FROM user WHERE c>0 ALLOW FILTERING;

总结，在某一列加了索引后，某种程度上相当于把该列变成了partition key。

今天带大家了解了MySQL、数据库、NoSQL、cassandra的相关知识，希望对你有所帮助；关于数据库的技术知识我们会一点点深入介绍，欢迎大家关注golang学习网公众号，一起学习编程~