如何合理使用PK与SK实现距离匹配的可用车辆查询

一、优化现有Query+Filter方案（快速见效） #

你当前的代码用Query替代了Scan，这已经大幅降低了读取成本——Query会借助主键索引（PK=distance，SK=distanceMin）仅拉取distanceMin ≤ targetDistance的项，再通过Filter筛选出distanceMax ≥ targetDistance的结果，比Scan遍历全表高效得多。

针对数千条记录的规模，这个方案性能已经足够，还可以做以下优化：

• 确保distanceMin和distanceMax为数值类型，避免DynamoDB类型转换影响索引效率；
• 提前创建局部二级索引（LSI），将distanceMax设为LSI的排序键，根据目标距离的大小动态选择查询主表或LSI，进一步减少读取量：当目标距离较小时，用主表查询distanceMin ≤ search；当目标距离较大时，用LSI查询distanceMax ≥ search，双向缩小数据范围。

优化后代码示例：

searchByDistance: async function(distance) {
  const search = parseInt(distance);
  const dbClient = this.getDbClient();
  let params;

  // 根据目标距离阈值切换查询方式（阈值可根据实际数据分布调整）
  if (search < 500) {
    params = {
      TableName: this.myTable,
      KeyConditionExpression: 'PK=:pkKey AND distanceMin <= :search',
      ProjectionExpression: 'vehicleName',
      ExpressionAttributeValues: {
        ':pkKey': 'distance',
        ':search': search,
      },
      FilterExpression: 'distanceMax >= :search',
    };
  } else {
    params = {
      TableName: this.myTable,
      IndexName: 'distance-distanceMax-index', // 提前创建的LSI，SK为distanceMax
      KeyConditionExpression: 'PK=:pkKey AND distanceMax >= :search',
      ProjectionExpression: 'vehicleName',
      ExpressionAttributeValues: {
        ':pkKey': 'distance',
        ':search': search,
      },
      FilterExpression: 'distanceMin <= :search',
    };
  }

  let results = [];
  let items;
  try {
    do {
      items = await dbClient.query(params).promise();
      results.push(...(items.Items || []));
      params.ExclusiveStartKey = items.LastEvaluatedKey;
    } while (items.LastEvaluatedKey);
  } catch (err) {
    console.error(err, err.stack);
  }

  return results;
},

二、重新建模实现纯Query无Filter（极致性能） #

如果想完全避免Filter开销，需要重新设计数据结构，将区间查询转化为KeyCondition可直接命中的范围查询，核心思路是冗余存储区间覆盖的关键段：

将每个车辆的区间[min, max]拆分为多个固定间隔的距离段（比如按100km分段），每个段对应一条记录，PK设为段标识（如distance_0_100、distance_100_200），SK设为vehicleName，同时保留原有的distanceMin和distanceMax属性。

比如：

• car的区间10-500会拆分为distance_0_100、distance_100_200等5个段的记录；
• train的区间50-9999会拆分为多个段的记录。

查询时，先计算目标距离所属的段（如50km属于distance_0_100），直接Query该PK的所有记录，再简单验证distanceMin ≤ search ≤ distanceMax即可（仅处理跨段的边缘情况）。这种方式读取的数据量极小，几乎无过滤开销，但需要承担冗余存储的成本，适合查询频率极高、延迟要求严格的场景。

• 数千条记录的规模下，优化后的Query+Filter方案实现成本最低，性能足够；
• 追求极致性能可选择区间拆分的冗余存储方案，但需维护冗余数据。

内容的提问来源于stack exchange，提问作者asdasf