- 微信
- 微博
  
  分享文章到微博
- 复制链接
  
  复制链接到剪贴板

GaussDB(for Cassandra)新特性发布：支持Lucene二级索引，让复杂查询更智能

Cassandra官方发表于 2022/07/08 12:07:09 2022/07/08

【摘要】当前，互联网、大数据飞速发展，数据量呈爆发式增长，在高并发、高可用、高扩展的业务需求推动下，NoSQL数据库成为了越来越多业务场景的刚需。但在查询方面，传统的NoSQL却有一定的局限性，严格来说，像开源MongoDB、Cassandra、Hbase等都不具备海量数据的多维查询、文本检索、统计分析等能力。多数企业仍然在寻求一套更完美的NoSQL解决方案。

Lucene版本正式上线公测，请联系客服开通体验

今天，华为云GaussDB(for Cassandra)携Lucene引擎全新解决方案来啦！

华为云原生多模数据库GaussDB NoSQL拥有强大的生态体系，支持键值、宽表、文档、时序四种引擎接口。其中，宽表引擎接口GaussDB(for Cassandra)现已发布Lucene二级索引功能，既具备NoSQL的优势，又能支持多种复杂查询场景，全面提升用户在海量数据场景下的查询体验，凭实力宠粉！相信大家一定有很多疑问，GaussDB(for Cassandra)是什么？二级索引如何使用？Lucene二级索引又有哪些区别？别着急，接下来让我们一一解读。

什么是GaussDB(for Cassandra)？

GaussDB(for Cassandra)是一款华为自研、采用计算存储分离架构的分布式云数据库，在高性能、高可用、高可靠、高安全、可弹性扩缩容的基础上，提供了一键部署、备份恢复、监控告警等服务能力；并高度兼容开源Cassandra接口，提供高读写性能。当前已经广泛应用于IoT、气象、互联网、游戏等诸多领域。

什么是二级索引？

我们先来了解下索引的概念。索引是为了加快数据检索速度而创建的一种存储结构，是一种以空间换时间的设计思想。作用可以理解为书的目录，通过目录可快速定位到所需要的内容。

在Cassandra中，Primary Key就是索引（也被称为一级索引），在查询的时候，根据Primary Key可以直接检索到对应的记录。而二级索引又称辅助索引，是为了帮助定位到一级索引，然后再根据一级索引找到对应记录。我们平时使用CREATE INDEX语句建立的就是二级索引。

当前Cassandra二级索引的痛点有哪些？

原生Cassandra中二级索引的实现其实是创建了一张隐式的表，该表的Primary Key是创建索引的列，值为对应的Primary Key，实现相对简单，因此不可避免地带来了一些约束条件：

1.第一主键只能用“=”查询；

2.第二主键可以使用“=、>、<、>=、<=”；

3.索引列只支持“=”查询；

4.删除、更新太过频繁的列不适合建立索引；

5.High-cardinality列不适合做索引；

基于以上约束，Cassandra二级索引能提供的查询功能非常有限。

Why Lucene？

Lucene是当下最火的开源全文检索引擎工具，具有以下特点：

1.稳定、索引性能高；

2.是高效、准确、高性能的搜索算法；

3.具备丰富的查询类型：支持短语查询、通配符查询、近似查询、范围查询等；

4.有强大的开源社区支持，可维护性好；

因此，用集成Lucene引擎来补充Cassandra查询能力的弱点是最佳选择，毕竟谁又会拒绝一款性能稳定、持续成长、又更新迭代的搜索引擎呢？

Lucene引擎强大的倒排索引和列式存储能力，赋予了GaussDB(for Cassandra)高效的多维查询、文本检索、统计分析等能力，在使用体验上和原生二级索引相似，但同时拥有了更为丰富的语法支持。

Lucene二级索引架构

关键技术点：

内嵌Lucene搜索引擎，与存储引擎搭配，实现宽表存储引擎与搜索引擎的深度融合；

SQL层统一融合，在兼容原生Cassandra语法基础上，提供多维查询、文本检索、模糊查询、统计分析等能力，全面提升用户在海量数据场景下的查询体验。

Lucene二级索引使用方式举例

表结构示例：

CREATE TABLE example (pk1 text, pk2 bigint, ck1 int,ck2 text,col1 int, col2 int, col3 text, col4 text, PRIMARY KEY ((pk1,pk2),ck1, ck2));

四个属性列创建Lucene索引：

CREATE CUSTOM INDEX index_lucene ON test.example(col1,col2,col3,col4) USING 'org.apache.cassandra.index.lucene.LuceneSecondaryIndex' 
WITH OPTIONS = {
'analyzer_class': 'org.apache.lucene.analysis.standard.StandardAnalyzer',
'analyzed_columns': 'col4'
};

多维查询：任意索引列组合的嵌套查询，支持精确查询和范围查询

SELECT * from example WHERE pk1>='a' and pk2>=1000 and ck2 in ('a','b','c') and col1 <= 4 and col2 >= 2;

count计数：获取数据表的总行数，或根据索引列具体查询条件返回命中的数据行数

SELECT count(*) FROM example WHERE col1 > 3 AND EXPR(index_lucene, 'count');

索引列排序：支持指定多个索引列排序规则，结合多维查询，返回指定排序的结果集（通过JSON扩展语义支持，见下一节JSON示例）

模糊查询：支持前缀查询和通配符查询

SELECT * FROM example WHERE col3 LIKE 'test%'; 
SELECT * FROM example WHERE col3 LIKE 'start*end';

聚合分析：按照索引列组合条件进行简单的聚合分析(sum/max/min/avg)

SELECT sum(col1) from example WHERE pk1>='a' and pk2>=1000 and col1 <= 4 and col2 >= 2;

全文检索：支持指定中/英文分词器，进行分词检索，返回相关性高的结果

SELECT * FROM example WHERE col4 LIKE '%+test -index%';

扩展JSON语义

filter	在查询语句中json查询的关键字
term	查询时判断某个document是否包含某个具体的值，不会对被查询的值进行分词查询
match	将被询值进行分词，进行全文检索
range	查询指定某个字段在某个特定的范围(范围查询子关键字："eq"/"gte"/"gt"/"lte"/"lt")
bool	必须和 "must"、"should"、"must not" 一起组合出复杂的查询
must	bool类型的子查询，类型为list，封装"term"、"match"、"range" 查询
should	bool类型的子查询，类型为list，封装"term"、"match"、"range" 查询
must not	bool类型的子查询，类型为list，封装"term"、"match"、"range" 查询
offset	单分区查询，支持offset偏移量查询功能，直接从符合条件的数据中的第offset个开始查询
sort	单分区查询，支持索引列排序功能；排序功能不能与原生page查询共用，分页需要与offset配合使用

几个原则：

普通cql可以满足的查询条件，尽量避免依赖json查询
单分区查询，要将分区键条件单独作为查询条件，不要放入json中，否则会影响single查询的性能
尽量避免使用"must_not"

典型JSON查询语句示例

{
  "filter": {
    "bool": {
      "should": [
        {"term": {"col1": 1, "col1": 2, "col1": 3, "col3": "testcase7"}}
      ], 
      "must": [
        {"range": {"col2": {"lte": 7, "gt": 0}, "ck1": {"gte": 2}}},
        {"match": {"col4": "+lucene -index"}}
      ]
    }
  }, 
  "sort": [{"col1":"desc"}, {"col2":"asc"}], 
  "offset": 50
}

示例里因为使用了sort和offset关键字，因此必须带分区键查询，完整cql如下：

SELECT * from example where pk1=*** and pk2=*** and expr(index_lucene, '{"filter": {"bool": {"should": [{"term": {"col1": 1, "col1": 2, "col1": 3, "col3": "testcase7"}}], "must": [{"range": {"col2": {"lte": 7, "gt": 0}, "ck1": {"gte": 2}}},{"match": {"col4": "+lucene -index"}}]}}, "sort": [{"col1":"desc"}, {"col2":"asc"}], "offset": 50}');

下面对典型的查询场景cql语句结合JSON一起进行对比举例

1. 带分区建的查询（指定pk1、pk2），需要将pk1和pk2从json条件中剥离出来，否则会影响性能
SELECT * from example where pk1=*** and pk2=*** and expr(index_lucene, 'json');
2. 查询条件： col1=1
SELECT * from example WHERE col1=1;
SELECT * from example WHERE expr(index_lucene, '{"filter": {"term": {"col1": 1}}}');
SELECT * from example WHERE expr(index_lucene, '{"filter": {"bool": {"must": [{"term": {"col1": 1}}]}}}');
上面三条语句，是等效的；类似这种情况，建议使用第一种的普通cql查询，只有当普通cql无法支持时，再使用json扩展查询；上面三个语句推荐顺序次为从上到下。
3. 查询条件：col1=1 and col2>=2
SELECT * from example WHERE col1=1 and col2>=2;
SELECT * from example WHERE expr(index_lucene, '{"filter": {"term": {"col1": 1},"range": {"col2": {"gte": 2}}}}');
SELECT * from example WHERE expr(index_lucene, '{"filter": {"bool": {"must": [{"term": {"col1": 1}}, {"range": {"col2": {"gte": 2}}}]}}}');
与第一种相同，推荐普通cql查询。
4. 查询条件：col1=1 and (col2<2 or col2>3)
SELECT * from example WHERE expr(index_lucene, '{"filter": {"bool": {"must": [{"term": {"col1": 1}}], "should": [{"range": {"col2": {"lt": 2}, "col2": {"gt": 3}}}]}}}');
SELECT * from example WHERE expr(index_lucene, '{"filter": {"bool": {"must": [{"term": {"col1": 1}}], "must_not": [{"range": {"col2": {"gte": 2, "lte": 3}}}]}}}');
上面两种方式效果相同，但是不推荐使用"must_not"，性能不如"should";
5. 查询条件：col1 in (1,2,3,4) and (col2<2 or col2>3)
SELECT * from example WHERE expr(index_lucene, '{"filter": {"bool": {"should": [{"term": {"col1": 1, "col1": 2, "col1": 3, "col1": 4}}], "should": [{"range": {"col2": {"lt": 2}, "col2": {"gt": 3}}}]}}}');
SELECT * from example WHERE expr(index_lucene, '{"filter": {"bool": {"should": [{"term": {"col1": 1, "col1": 2, "col1": 3, "col1": 4}}], "must_not": [{"range": {"col2": {"gte": 2, "lte": 3}}}]}}}');
与4一样，上面两种方式效果相同，但是不推荐使用"must_not"，性能不如"should";
6. 带分区键single查询：pk1='a' and pk2=1000 and col1 in (1,2,3,4) and (col2<2 or col2>3)
SELECT * from example WHERE pk1='a' and pk2=1000 and expr(index_lucene, '{"filter": {"bool": {"should": [{"term": {"col1": 1, "col1": 2, "col1": 3, "col1": 4}}], "should": [{"range": {"col2": {"lt": 2}, "col2": {"gt": 3}}}]}}}');
7. 查询条件：(((ck1<2 or ck1>=4) and (col1<2 or col1 >3)) or (pk1 in ('a', 'b', 'c'))) or (5<=col2<15 and pk2 > 2000)
SELECT * from example WHERE expr(index_lucene, '{"filter": {"bool": {"should": [{"bool": {"should": [{"bool": {"must": [{"bool": {"should": [{"range": {"ck1": {"lt": 2}, "ck1": {"gte": 4}}}]}}, {"bool": {"should": [{"range": {"col1": {"lt": 2}, "col1": {"gt": 3}}}]}}]}}, {"bool": {"should": [{"term": {"pk1": "a", "pk1": "b", "pk1": "c"}}]}}]}}, {"bool": {"must": [{"range": {"col2": {"gte":5, "lte": 15}, "pk2": {"gt": 2000}}}]}}]}}}');
8. count 查询，也可使用json构造查询条件，上面的查询条件，进行count查询，语句如下
SELECT count(*) from example WHERE expr(index_lucene, '{"filter": {"bool": {"should": [{"bool": {"should": [{"bool": {"must": [{"bool": {"should": [{"range": {"ck1": {"lt": 2}, "ck1": {"gte": 4}}}]}}, {"bool": {"should": [{"range": {"col1": {"lt": 2}, "col1": {"gt": 3}}}]}}]}}, {"bool": {"should": [{"term": {"pk1": "a", "pk1": "b", "pk1": "c"}}]}}]}}, {"bool": {"must": [{"range": {"col2": {"gte":5, "lte": 15}, "pk2": {"gt": 2000}}}]}}]}}}');

通过上面例子可以看出，通过JSON扩展语义，您可以DIY符合自身业务的查询语句，并且最高支持200层JSON嵌套，再复杂的场景也能处理！

华为云GaussDB(for Cassandra)搭载Lucene引擎，通过Lucene二级索引将搜索能力下沉至底层，从根本上解放了应用层查询，兼具多维查询、文本检索、统计分析等多种能力，可以完美地弥补NoSQL弱查询功能的短板，让企业从容应对海量数据的复杂查询场景。还等什么，速来体验吧！

附录

本文作者：华为云Cassandra团队

杭州西安深圳简历投递：mamingdi@huawei.com

更多技术文章，请关注Cassandra官方博客：

https://bbs.huaweicloud.com/community/usersnew/id_1563519101830986

华为云Cassandra官方首页：https://www.huaweicloud.com/product/geminidb.html

点赞
收藏
关注作者

0/1000

抱歉，系统识别当前为高风险访问，暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称，即可参与社区互动！

*长度不超过10个汉字或20个英文字符，设置后3个月内不可修改。

确认取消

加入云驻计划，成为创作者

华为云周边好礼
免费体验产品
特殊身份标识
线下官方门票
内部专家零距离
与10000+优质创作者共同成长

立即加入