语言 Chinese, Simplified

SEO Title

Cassandra 是一个简单的分布式 NoSQL 数据库。分布式意味着 Cassandra 有多个相互连接的节点，负责存储和检索数据。需要多个节点来实现 Cassandra 著名的可用性、可扩展性和高性能。

说到分布式系统，我们需要了解 CAP（Consistency, Availability & Partition Tolerance）定理。根据它，“任何分布式数据存储只能提供这三个（即 CAP）保证中的两个”。由于分布式系统中必然会发生网络故障，因此我们需要注意“分区容限”，以确保在由复制因子配置的节点之间保持数据的多个副本。所以有两种选择，要么优先考虑可用性，要么在发生网络故障时优先考虑一致性。

一般来说，Cassandra 被称为 AP（可用性和分区容限）数据库，因为那是 Cassandra 最适合的数据库。然而，更高的一致性是可调的，牺牲了 Cassandra 中的可用性和性能，用于一些需要但 Cassandra 不适合的用例。

Cassandra 中使用的基本术语

节点：运行 Cassandra 软件并存储数据子集的服务器。
集群：作为一个 Cassandra 数据库的许多节点的集合。
Column ：Cassandra 中用于存储数据字段的键和值的最小存储单元，也称为 Cell。
列族：特定用例的列集合。与表相同。
分区：它是表的特定节点上的数据子集。一个节点可以有多个分区。
分区键：一组列，用于标识数据在节点的特定分区中的位置。
聚类键：用于按排序顺序存储多条记录的列集。
行键：唯一标识数据库中记录的主键。主键 = 分区键 + 集群键
Keyspace ：用于组成多个列族的存储单元，类似于关系数据库中的模式

可能没有任何集群键列具有与分区键相同的行/主键。虽然分区键的主要目的不是作为主键，而是将数据分布在不同小分区的不同节点上。但是，分区键绝对不应该具有低基数，您是否应该具有非常高的基数取决于您查询数据的用例和数据大小。

当我们有聚类键（这里是时间戳字段）时，下图会更清楚：

Cassandra 擅长什么

高可用性：Cassandra 没有单点故障，即在大多数节点仍然可用和连接的情况下始终可用于读取和写入。这是可以实现的，因为 C* 中没有主从拓扑，所有节点都是相同的（当然，这些节点上的数据可能因集群中少数节点上的复制而不同）。所以即使你没有很强的一致性、可扩展性和性能要求，只是想拥有跨不同区域的高可用数据库，Cassandra 也是一个不错的选择。这就是为什么 Kong(API Gateway) 也将其用作数据库选择之一。
写入负载的水平可扩展性和高性能：这是可以实现的，因为我们可以有多个节点来处理不同分区的写入负载，并且在单个节点内，Cassandra 以仅追加方式将新数据写入名为 commitlog 的文件，该文件会写入磁盘更快（与 Kafka 相同）。除此之外，Cassandra 使用 memtables 将新数据存储在内存中，然后定期将数据从内存刷新到称为 SSTable 的数据文件中。因此，提交日志仅用于节点故障场景。
数据大小水平可扩展：这是可以实现的，因为我们可以在集群中添加更多节点来处理更多数据。
读取负载水平可扩展（有条件）：基于单个分区键从 Cassandra 查询数据是快速且可扩展的，但有一些因素可能会影响性能和可扩展性。例如，如果单个分区中有太多数据，或者正在为同一分区键更新数据，导致数据驻留在同一分区的不同数据文件（SSTables）中。尽管有不同的 SSTable 压缩策略来最大限度地减少影响，但需要根据确切的用例以及使用 Cassandra 数据库时最重要的部分数据建模仔细测试事情。

Cassandra不擅长或根本不支持的地方

ACID（原子性，一致性，隔离性，持久性）合规性：不支持金融系统等应用程序所需的。
聚合函数：Cassandra 不适合计数、最大值、平均值等聚合。
联接：不支持，尽管数据非规范化是 Cassandra 中的一种常见做法，用于将查询的相关数据保存在一个分区中，但这应该在限制范围内。
排序：Cassandra 仅支持对聚类列进行排序，并且一旦插入，您就无法更改聚类列的值。所以在 Cassandra 中排序是一个设计决策。
新用例：我们需要根据查询模式将数据存储在 Cassandra 中，因此如果出现任何新需求，除非我们按照 Cassandra 数据建模要求再次存储数据，否则很难处理它。