Apache Cassandra中多对多实体关系的数据建模方案咨询

针对你的大数据场景（1000万订阅者、数百合作伙伴）和四个高频查询，直接按查询驱动建模是Cassandra的核心思路，下面给你具体的设计方案：

一、核心设计原则 #

Cassandra以空间换时间，反规范化是常规操作——你的第二个思路方向是对的，几百个Partner带来的数据冗余完全在Cassandra的处理能力范围内（1000万订阅者即使每人订阅2个Partner，总数据量也才2000万条，属于Cassandra的常规负载）。而第一个方案用IN partner_ids的查询方式绝对不能用在高频场景，因为IN会触发多分区扫描，性能极差，延迟不可控。

二、对应每个查询的表设计 #

1. 根据Partner名称获取所有Subscriber #

建一张专门的查询表，分区键直接用partner_name，聚类键用subscriber_id保证每个订阅者在同一Partner下唯一：

CREATE TABLE partner_subscribers (
    partner_name TEXT,
    subscriber_id UUID,
    subscriber_name TEXT,
    region TEXT,
    subscribe_date TIMESTAMP,
    PRIMARY KEY (partner_name, subscriber_id)
);

• 查询语句：SELECT * FROM partner_subscribers WHERE partner_name = 'XXX';
• 优势：单分区查询，性能拉满，完全匹配高频需求。

2. 根据Partner名称+指定地区获取所有Subscriber #

同样建专属查询表，用复合分区键(partner_name, region)，确保查询直接命中分区：

CREATE TABLE partner_region_subscribers (
    partner_name TEXT,
    region TEXT,
    subscriber_id UUID,
    subscriber_name TEXT,
    subscribe_date TIMESTAMP,
    PRIMARY KEY ((partner_name, region), subscriber_id)
);

• 查询语句：SELECT * FROM partner_region_subscribers WHERE partner_name = 'XXX' AND region = 'XXX';
• 优势：避免用索引（索引在高基数字段上性能差），直接单分区查询，速度最快。

3. 获取指定日期之后创建的所有Partner #

建Partner主表，用固定分区键（因为Partner总数才几百，全分区扫描无压力），聚类键按create_date倒序排列：

CREATE TABLE partners (
    partition_fixed TEXT,
    partner_id UUID,
    partner_name TEXT,
    create_date TIMESTAMP,
    subscriber_count INT, -- 预存订阅数，为第四个查询做准备
    PRIMARY KEY (partition_fixed, create_date)
);

• 插入数据时partition_fixed固定为'all_partners'，保证所有Partner存在同一个分区里
• 查询语句：SELECT * FROM partners WHERE partition_fixed = 'all_partners' AND create_date > '2024-01-01';

4. 获取拥有特定数量订阅者的Partner #

建一张按订阅数分组的表，分区键用subscriber_count，聚类键用partner_name：

CREATE TABLE partners_by_subscriber_count (
    subscriber_count INT,
    partner_name TEXT,
    partner_id UUID,
    create_date TIMESTAMP,
    PRIMARY KEY (subscriber_count, partner_name)
);

• 查询语句：SELECT * FROM partners_by_subscriber_count WHERE subscriber_count = 1000;
• 注意：当订阅关系变化时，需要同步更新partners表的subscriber_count和这张表的对应数据（用Cassandra的BATCH操作批量执行更新）。

三、Subscriber主表（维护基础信息与订阅关系） #

还要建一张Subscriber主表，存储其基本信息，同时用集合字段记录订阅的Partner ID（仅用于维护订阅关系，比如取消订阅时快速找到需要更新的Partner）：

CREATE TABLE subscribers (
    subscriber_id UUID,
    subscriber_name TEXT,
    region TEXT,
    create_date TIMESTAMP,
    partner_ids SET<UUID>,
    PRIMARY KEY (subscriber_id)
);

四、数据一致性维护 #

因为反规范化后同一数据会出现在多张表，所以需要在订阅/取消订阅时用BATCH操作同步更新所有相关表：
比如订阅操作的批量语句示例：

BEGIN BATCH
    INSERT INTO partner_subscribers (partner_name, subscriber_id, subscriber_name, region, subscribe_date) VALUES ('partnerA', uuid(), 'user1', 'CN', toTimestamp(now()));
    INSERT INTO partner_region_subscribers (partner_name, region, subscriber_id, subscriber_name, subscribe_date) VALUES ('partnerA', 'CN', uuid(), 'user1', toTimestamp(now()));
    UPDATE subscribers SET partner_ids = partner_ids + {uuid()} WHERE subscriber_id = uuid();
    UPDATE partners SET subscriber_count = subscriber_count + 1 WHERE partition_fixed = 'all_partners' AND partner_id = uuid();
    INSERT INTO partners_by_subscriber_count (subscriber_count, partner_name, partner_id, create_date) VALUES (new_count, 'partnerA', uuid(), '2024-01-01') IF NOT EXISTS;
APPLY BATCH;

注意：BATCH操作不要包含过多语句，控制在10条以内，避免性能问题。

总结 #

• 放弃第一个方案的IN查询，性能完全无法满足高频需求；
• 接受反规范化的冗余，这是Cassandra高性能的代价，你的场景下冗余量完全可控；
• 每个高频查询对应一张专属表，用分区键直接命中查询条件，确保性能；
• 通过批量操作维护多表的数据一致性。

内容的提问来源于stack exchange，提问作者Ovezmyrat