Cassandra中的SASI索引及其与普通索引的区别

Question

我开始使用SASI索引，并使用以下设置：

CREATE TABLE employee (
    id int,
    lastname text,
    firstname text,
    dateofbirth date,
    PRIMARY KEY (id, lastname, firstname)
) WITH CLUSTERING ORDER BY (lastname ASC, firstname ASC));

CREATE CUSTOM INDEX employee_firstname_idx ON employee (firstname) USING 'org.apache.cassandra.index.sasi.SASIIndex' WITH OPTIONS = {'mode': 'CONTAINS', 'analyzer_class': 'org.apache.cassandra.index.sasi.analyzer.StandardAnalyzer', 'case_sensitive': 'false'};

我执行以下查询：

SELECT * FROM employee WHERE firstname like '%s';

根据我的研究，Cassandra中的这种索引看起来与普通二级索引相同，除了提供LIKE搜索功能。

1）有人能解释一下它与Cassandra中的普通二级索引有何不同吗？ 2）最佳配置选项如模式、分析器类和区分大小写等，是否有任何推荐的文档可供参考？

- Harry

---

无关的评论 - 对于查询，最好使用预准备的查询而不是为每个参数构建查询。 - Alex Ott

Answer 1

1) 有人能解释一下它与Cassandra中的普通二级索引有何不同吗？

普通二级索引本质上是另一个查找表，包括二级索引列和主键。因此它有自己的SSTable文件（磁盘），内存表（内存）和写入开销（CPU）。

SASI是对Cassandra社区做出的改进，由Apple进行开源贡献。该索引为每个刷新到磁盘的SSTable创建一个索引，不维护单独的表。因此，磁盘使用率更低，没有单独的内存表/布隆过滤器/分区索引（内存使用率更低），开销最小。

2) 最佳配置项如mode、analyzer_class和case_sensitive - 是否有任何推荐的文档？

配置取决于你的用例：

基本上有三种模式：

1. PREFIX - 用于基于索引列的前缀服务LIKE查询
2. CONTAINS - 用于基于索引列中是否存在搜索词服务LIKE查询
3. SPARSE - 用于索引稀疏数据（每个术语/列值具有少于5个匹配键）。例如跨大时间戳范围的范围查询。

analyzer_class：可以指定要分析指定列中的文本的分析器。

1. NonTokenizingAnalyzer用于文本未经分析但需要进行大小写规范化或大小写敏感性的情况。
2. StandardAnalyzer用于涉及词干提取、大小写规范化、大小写敏感性、跳过常见单词（如“and”和“the”）以及语言本地化等分析的情况。

case_sensitive：顾名思义，该索引列是否应该大小写不敏感地搜索。适用值为：

1. True
2. False

详细的文档可以在这里查看，有关性能的详细博客文章。

- dilsingi

---

强烈推荐阅读此博客文章http://www.doanduyhai.com/blog/?p=2058#sasi_perf_benchmarks - dilsingi

在SASI的情况下，这些值形成一个Btree索引。因此，该值直接指向sstable中的数据，跳过布隆过滤器和分区索引。 - dilsingi

如果我有一个值，比如“澳大利亚”，并且我对这个国家列进行索引，那么它会形成像A、AU、AUS、AUST等所有组合的搜索字符串，并映射到SSTable吗？ - Harry

如果我指定分区键，使用SASI作为本地二级索引是否有优势？ - Harry

@Harry 我相信我已经为你的原始问题提供了解决方案。请记得接受/点赞答案。 - dilsingi

Answer 2

以下是关于 SASI 的简要概述，来源于https://github.com/scylladb/scylla/wiki/Indexing-in-Cassandra-3：

SASI（即“SStable-Attached Secondary Indexing”）重新实现了经典的 Cassandra 二级索引，并具有一个主要目标 - 支持更复杂的搜索查询，例如：

- 查询的 AND 或 OR 组合。 - 字符串值中的通配符搜索。 - 范围查询。 - 受 Lucene 启发的字符串值的单词搜索（包括词断、大写规范化、词干提取等，由用户给定的“分析器”确定）。

其中一些在二级索引中已经可以实现，但效率较低，因为需要获取长列表的分区，对它们进行读取（需要对每个分区进行低效的寻址）并对它们进行过滤。 SASI 使用基于 B+ 树的新磁盘格式实现它们，并且不像经典二级索引方法那样重用常规的 Cassandra 列族或 sstable。

SASI 将其自己的不可变索引文件附加到每个 sstable 上（因此称之为这种方法的名称），并且还将索引附加到每个 memtable 上。在压缩期间，压缩在一起的文件的索引也会被压缩以创建一个新的索引。

- Nadav Har'El