卡桑德拉分区，集群键来存储倒排索引

Question

我需要使用Cassandra的存储倒排索引，其中单词及其制品频率存储如下：

word, article_title, frequency 

的独特单词数约为40M和Cassandra节点的数量= 2。 将单词的第一个字符用作分区键或单词本身会更好吗？ 主键是什么？

Answer 1

TL; DR：关于您的查询，我肯定会说使用这个词作为分区键。

如果你只使用第一个字符，你将只有26个分区。你不想要这个，如果有的话，你会得到热点。有些行会非常短，因为从特定字母开始的单词不会很多，而其他行将会非常长，甚至可能超出其使用的性能。是的，Cassandra每行限制数量为20亿列，但建议将行数保持在数百万。如果只想'AIRPORT'，您也不想访问以'A'开头的所有单词。

您需要尽可能多的随机性分区密钥，以便行可以轻松分散到整个集群中。另一方面，它必须反映您的访问模式。就你而言，你不会看到一个单词或一组单词的统计信息。通过分区/主进行访问基本上和使用Cassandra一样快。

至于聚类键，它或多或少是显而易见的，你可以使用文章标题，或者，我会做的实际上是使用文章标识符（一个UUID或类似的）作为集群键。文章标题可能会改变（打字错误？），你肯定不想遍历你的所有行改变标题。