Cassandra源码学习：数据读取

读取流程

cassandra的数据可能在Memtable中，也可能在多个sstable中，每个地方都可能有某个column对应的值，怎么才能读取最新的值呢？有必要了解下cassandra读取数据流程：

（1）判断rowcache中是否有需要读取的数据，如果有直接返回；

（2）从Memtable中获取数据，调用getColumnFamily方法获取该列族的数据；

（3）从多个sstable中获取相关列的数据：

a、先通过bloom filter文件判断该key是否存在于sstable中，如果存在，进行第二步；

b、查询key_cache中是否有当前key，如果有直接定位到key所在sstable中的位置；

c、 key_cache可不存在，通过index定位到具体位置。

下图是从sstable中获取数据的过程

（4）将（2）（3）中的数据进行合并后返回给客户端。

下图是cassandra读取数据示意：

RowCache中缓存了最近读取的列信息，常常将一些热点数据放入RowCache中，减少了操作磁盘的开销。Cassandra写入数据后会同步更新RowCache，保证RowCache中的数据是最新的。

与RowCache不同，KeyCache中缓存了最近查询的row key在sstable中的位置，每次查询到row key所在位置后会写入KeyCache中。如果KeyCache中含有对应key，就不用再通过访问index文件了，减少了一次磁盘访问。

如果查询的key并不是一个row key怎么办，比如User列族以userId做为row key，每个row key中包含姓名、性别、身份证等，需要按身份证查询用户怎么办？

需要在身份证这个列上建一个二级索引，二级索引也相当于是一个列族，row key为身份证号码,只有一个column名为userId。

先通过二级索引找到key对应的row key，再用row key定位到具体数据。

cassandra后台会有一个线程，将多个sstable进行合并，保证同一个列族在一个 sstable文件中，同时会删除被标记为墓碑的值（超过gc_grace_seconds）。

压缩可以防止文件碎片，有效提升读取效率，减少磁盘I/O。

压缩是在后台进行的，对客户端透明，频繁地进行数据压缩会导致系统不稳定，因为压缩本身也会有大量的磁盘I/O,可以在配置文件中配置压缩的优先级，还可以考虑关闭自动压缩，在系统空闲时手动压缩。