Cassandra1.0改进：数据压缩

2019-02-26 来源：多智时代

Cassandra 1.0提供了基于ColumnFamily的数据压缩，这也是一个人民群众呼声很高的功能。压缩功能能够有效地减少数据体积，同时也能减少磁盘I/O，特别是对那些读多的应用场景。

压缩可以有效的减小数据体积，可以在相同的内存和磁盘上存储更多的数据。除此之外，通过只解压指定部分的数据块，Cassandra对从磁盘上读取数据的性能也有提升。

与传统数据库系统不同，传统的数据库系统使用压缩通常会对写性能有负面影响，因为传统方法需要先解压原始数据，个性原始数据，再将个性后的数据进行压缩存储。而由于Cassandra的个性操作是追加进行，并不需要对原始数据进行操作，从而避免了二次压缩的问题，写性能会比不使用压缩时提高10%左右。

总的来说，Cassandra使用压缩会得到下面一些性能提升：

数据大小可能只占原来的一半到四分之一

25-35% 的读性能提升

5-10% 的写性能提升

在多行并且字段都差不多的ColumnFamilies进行数据压缩会比较合适，比如一个存储了username，email等用户信息的ColumnFamily。当各行数据中相同的值越多时，压缩效果也就越好。

而相反的，如果对于每一行字段都不太相同的数据，使用压缩的效果就不太好了。

当你创建或者修改一个column family时，你可以设置相关的压缩选项，压缩选项包含下面两个：

sstable_compression：这个选项用于配置具体使用的压缩算法，Cassandra支持两种内置的压缩算法：SnappyCompressor和DeflateCompressor，这两种算法各有千秋，Snappy在压缩和解压速度上更快，而Deflate在压缩比上会比较高。具体选择哪一种压缩算法，可以根本你自己的应用场景决定。如果是一个读多的应用，建议使用Snappy算法。另外，你也可以在Cassandra提供的接口上开发自己的压缩算法，只要实现了org.apache.cassandra.io.compress.ICompressor接口就行。

chunk_length_kb：这个选项用于设置压缩块的大小，默认是64kb，64kb这个默认值的设定是比较合适的，对于项目比较多的行，你可以不用解压整行就能获取到其中的64kb的数据，对于项目比较少的行，虽然设定为64kb可能会使用你需要解压的数据比你需要的数据还多，但是其压缩率也比较可观，可以说这个数字也是在压缩率和解压开销间权衡后的一个比较合适的数。当然，你可以针对自己的应用场景对这个数进行个性，以使针对你比较典型的读写方式，能够取得相对高的性能。

你可以在创建一个column family的时候就设定其压缩选项，也可以对一个已经存在的column family的压缩选项进行个性。但是这个修改只会对后续数据产生影响，之前保存的SSTable是不会自动重新压缩的。当然，如果你非要让老数据也进行重新压缩，你可以通过使用Cassandra提供的nodetool scrub工具来手动进行操作。

下面是一个例子，使用Cassandra的命令行方式创建了一个带压缩的column family：

[default@demo] CREATE COLUMN FAMILY users

WITH key_validation_class=UTF8Type

AND column_metadata = [

{column_name: name, validation_class: UTF8Type}

{column_name: email, validation_class: UTF8Type}

{column_name: state, validation_class: UTF8Type}

{column_name: gender, validation_class: UTF8Type}

{column_name: birth_year, validation_class: LongType}

]

AND compression_options={sstable_compression:SnappyCompressor, chunk_length_kb:64};

在Cassandra 1.0 中，使用压缩以减小数据尺寸，从而提升性能变得非常容易。你也可以在把Cassandra升级后再按需求调整其块大小。