Cassandra：只选择最新的行

Question

我使用下表：

CREATE TABLE IF NOT EXISTS lp_registry.domain (
    ownerid text,
    name1st text,
    name2nd text,
    name3rd text,
    registrar text,
    registered timestamp,
    expiration timestamp,
    updated timestamp,
    technologies list<text>,
    techversions list<text>,
    ssl boolean,
    PRIMARY KEY (
        (name1st, name2nd, name3rd), 
        registrar, ownerid, registered, expiration, updated
    )
);

表不会更新，只会添加新行。每次爬虫检查域时，都会添加新行。

我正在执行这个选择：

SELECT * FROM lp_registry.domain WHERE 
    registrar = 'REG-WEDOS' AND 
    ownerid = 'FORPSI-JAF-S497436' 
ALLOW FILTERING;

但我想要的结果只是每个唯一“name3rd.name2nd.name1st”具有最新“更新”值的行。

如果我在标准 SQL 数据库中，我会使用带有 MAX 或 GROUP BY 的嵌套选择。但是，Cassandra (MAX(), DISTINCT and group by in Cassandra) 不支持此功能。但是我应该在 CQL 中做什么？

Answer 1

扩展到Cedric's answer（这是一个很好的建议，并认为这是接受的答案）你会得到一个大致如下的表结构：

CREATE TABLE IF NOT EXISTS lp_registry.domain (
    ownerid text,
    name1st text,
    name2nd text,
    name3rd text,
    registrar text,
    registered timestamp,
    expiration timestamp,
    updated timestamp,
    technologies list<text>,
    techversions list<text>,
    ssl boolean,
    PRIMARY KEY ((registrar, ownerid), updated, name1st, name2nd, name3rd)
) WITH CLUSTERING ORDER BY (updated desc);

When selecting data it will return rows with the most recent updated values within the partition for the registrar and ownerid you are querying.

此查询将非常快，因为您的数据将由注册商在磁盘上组织，所有者 ID 与行按更新降序排列。

这是 cassandra 的一个关键概念，因为您的数据是根据您查询它的方式来组织的。您在查询中失去了灵活性，但您会感到很自在，因为您正在检索有组织的数据。这就是为什么根据您的查询对数据进行非规范化至关重要的原因。

如果您想检索最近更新的所有数据，事情就会变得复杂起来。这个问题用 cassandra 不容易解决，除非所有东西都共享同一个分区，而这个分区有自己的一组问题 (example strategy using a 'dummy' partition key)。

Answer 2

应该修改整个架构。你正在做的SELECT，显然从你的应用程序的角度来看一个重要的不应该需要ALLOW FILTERING：你应该对你的数据进行非规范化并创建一个表，其中registrar和ownerid是分区键。

在该非规范化结构中，updated 应该是一个分区键，按DESC 排序。查询将是

SELECT * FROM lp_registry.domain WHERE registrar='XXX' AND ownerid='YYY' LIMIT 10;

正如您所说的插入行但从不更新，在您的应用程序中将新数据插入到多个非规范化表中应该并不复杂（如果需要）。

Andy's answer 为您的表结构提供更多详细信息和示例。