如何在Cassandra中执行不区分大小写的前缀查询？

Cassandra本身是为分布式海量数据的快速读写设计的，原生确实不支持直接的不区分大小写字符串匹配，但结合你用的django-cassandra-engine和cqlengine，我们可以通过预处理+索引优化的方式实现需求，下面是几个可行的方案，按推荐程度排序：

1. 最优方案：SASI索引 + 预处理小写字段 #

SASI（SSTable Attached Secondary Index）是Cassandra专门为字符串搜索优化的二级索引，支持前缀、包含、正则匹配，配合预处理的小写字段，就能完美实现不区分大小写的前缀搜索。

模型修改： #

import uuid
from cqlengine import columns
from cqlengine.models import DjangoCassandraModel
from cqlengine.indexes import SASIIndex

class TestModel(DjangoCassandraModel):
    key_id = columns.UUID(primary_key=True, default=uuid.uuid4)
    string = columns.Text()
    # 存储原字符串的小写版本，同时添加SASI前缀索引
    lower_string = columns.Text(indexes=[SASIIndex(mode='PREFIX')])

    def save(self, *args, **kwargs):
        # 保存时自动将原字符串转小写存入lower_string
        self.lower_string = self.string.lower()
        super().save(*args, **kwargs)

查询方式： #

# 把用户输入的搜索词先转小写，再匹配前缀
search_term = "foo"
matches = TestModel.objects.filter(lower_string__startswith=search_term.lower())

注意事项：

• 确保你的Cassandra版本在3.4以上（SASI是3.4引入的）
• SASI索引会占用额外的磁盘空间，但查询性能远优于普通二级索引或ALLOW FILTERING

2. 大数据集适配：预处理小写字段 + 物化视图 #

如果你的数据集非常大，SASI索引的性能还不够，那可以通过物化视图+分区键优化来进一步提升查询效率。核心思路是把前缀的前N个字符作为分区键，让查询直接定位到对应分区，避免跨分区扫描。

模型修改： #

import uuid
from cqlengine import columns
from cqlengine.models import DjangoCassandraModel

class TestModel(DjangoCassandraModel):
    key_id = columns.UUID(primary_key=True, default=uuid.uuid4)
    string = columns.Text()
    lower_string = columns.Text()
    # 取小写字符串的前3个字符作为分区键（可根据业务调整长度）
    prefix_3 = columns.Text(primary_key=True, clustering_order="ASC")

    def save(self, *args, **kwargs):
        self.lower_string = self.string.lower()
        # 处理长度不足3的情况
        self.prefix_3 = self.lower_string[:3] if len(self.lower_string) >= 3 else self.lower_string
        super().save(*args, **kwargs)

查询方式： #

search_term = "foo".lower()
# 先匹配分区键prefix_3，再过滤前缀
matches = TestModel.objects.filter(prefix_3=search_term, lower_string__startswith=search_term)

适用场景：

• 前缀长度相对固定（比如大多是3-5个字符的前缀搜索）
• 数据集规模超大，需要极致的查询性能

3. 小数据集快速实现：预处理小写字段 + ALLOW FILTERING #

如果你的数据集很小（比如几千条记录），可以用最简单的方式：预处理小写字段，然后用ALLOW FILTERING强制Cassandra做跨分区扫描。

模型修改： #

import uuid
from cqlengine import columns
from cqlengine.models import DjangoCassandraModel

class TestModel(DjangoCassandraModel):
    key_id = columns.UUID(primary_key=True, default=uuid.uuid4)
    string = columns.Text()
    lower_string = columns.Text()

    def save(self, *args, **kwargs):
        self.lower_string = self.string.lower()
        super().save(*args, **kwargs)

查询方式： #

search_term = "foo".lower()
# 添加allow_filtering()允许跨分区过滤
matches = TestModel.objects.filter(lower_string__startswith=search_term).allow_filtering()

注意：这种方式在数据量大的时候会非常慢，甚至拖垮集群，只适合小数据测试或非核心业务场景。

为什么不推荐自定义UDF？ #

你提到的自定义函数（UDF）确实能实现字符串转小写，但Cassandra的UDF在过滤时需要对每个分区的每条记录执行函数，性能极差，而且还需要在Cassandra集群中开启UDF支持（默认是关闭的），所以完全不推荐用这种方式实现前缀搜索。

内容的提问来源于stack exchange，提问作者Viral Joshi