二级索引在 Cassandra 中如何工作？

假设我有一个列族：

CREATE TABLE update_audit (
  scopeid bigint,
  formid bigint,
  time timestamp,
  record_link_id bigint,
  ipaddress text,
  user_zuid bigint,
  value text,
  PRIMARY KEY ((scopeid, formid), time)
  ) WITH CLUSTERING ORDER BY (time DESC)

有两个二级索引，其中record_link_id是一个高基数列：

CREATE INDEX update_audit_id_idx ON update_audit (record_link_id);

CREATE INDEX update_audit_user_zuid_idx ON update_audit (user_zuid);

据我所知，Cassandra 将创建两个隐藏的列族，如下所示：

CREATE TABLE update_audit_id_idx(
    record_link_id bigint,
    scopeid bigint,
    formid bigint,
    time timestamp
    PRIMARY KEY ((record_link_id), scopeid, formid, time)
);

CREATE TABLE update_audit_user_zuid_idx(
    user_zuid bigint,
    scopeid bigint,
    formid bigint,
    time timestamp
    PRIMARY KEY ((user_zuid), scopeid, formid, time)
);

Cassandra 二级索引作为本地索引实现，而不是像普通表那样分布。每个节点仅存储其所存储数据的索引。

考虑以下查询：

select * from update_audit where scopeid=35 and formid=78005 and record_link_id=9897;

1. 该查询将如何在 Cassandra 中“幕后”执行？
2. 高基数列索引 (record_link_id）影响其性能？
3. Cassandra 会触及上述查询的所有节点吗？Why?
4. 首先执行哪个条件，基表partition_key还是二级索引partition_key？ Cassandra 将如何将这两个结果相交？

select * from update_audit where scopeid=35 and formid=78005 and record_link_id=9897;

上述查询在 cassandra 内部如何工作？

本质上，分区的所有数据scopeid=35 and formid=78005会被返回，然后通过record_link_id指数。它将寻找record_link_id条目为9897，并尝试匹配与返回的行匹配的条目，其中scopeid=35 and formid=78005。将返回分区键和索引键的行的交集。

对于上述查询，高基数列 (record_link_id) 索引将如何影响查询性能？

高基数索引本质上为主表中的（几乎）每个条目创建一行。性能会受到影响，因为 Cassandra 设计为对查询结果执行顺序读取。索引查询本质上是强制 Cassandra 执行random读。随着索引值基数的增加，查找查询值所需的时间也会增加。

cassandra 是否会触及上述查询的所有节点？为什么？

不。它应该只触及负责的节点scopeid=35 and formid=78005分割。索引同样存储在本地，仅包含对本地节点有效的条目。

在高基数列上创建索引将是最快、最好的数据模型

这里的问题是该方法无法扩展，并且如果update_audit是一个大数据集。 MVP Richard Low 有一篇关于二级索引的精彩文章（Cassandra 二级索引的最佳选择 http://www.wentnet.com/blog/?p=77），特别是在这一点上：

如果您的表明显大于内存，则即使只返回几千个结果，查询也会非常慢。返回潜在的数百万用户将是灾难性的，即使它看起来是一个有效的查询。

...

实际上，这意味着索引对于返回数十个甚至数百个结果最有用。当您下次考虑使用二级索引时，请记住这一点。

现在，您首先通过特定分区进行限制的方法将会有所帮助（因为您的分区肯定应该适合内存）。但我觉得这里表现更好的选择是record_link_id集群键，而不是依赖二级索引。

Edit

即使我们提供主键，当有数百万用户时，在低基数索引上建立索引如何扩展

这取决于你的行有多宽。基数极低的索引的棘手之处在于，返回的行的百分比通常更大。例如，考虑一个宽行users桌子。您通过查询中的分区键进行限制，但仍然返回 10,000 行。如果您的索引类似于gender，您的查询将必须过滤掉大约一半的行，这不会很好地执行。

二级索引往往在（由于缺乏更好的描述）“中间道路”基数上效果最好。使用上面的宽行示例users表，索引country or state应该比索引表现得更好gender（假设大多数用户并不都居住在同一个国家或州）。

编辑20180913

对于第一个问题“上述查询在 cassandra 内部如何工作？”的回答，您知道分页查询时的行为是什么吗？

考虑下图，取自Java 驱动程序文档 https://docs.datastax.com/en/developer/java-driver/3.6/manual/paging/ (v3.6):

基本上，分页将导致查询自行分解并返回到集群以获取下一次结果迭代。超时的可能性较小，但性能会呈下降趋势，与总结果集的大小和集群中的节点数量成正比。

TL;博士;请求的结果越多，分布在更多的节点上，所需的时间就越长。