Cassandra vs HBase for Hadoop工作

Question

談到MapReduce工作時，Cassandra優於HBase的優勢是什麼？

我有很多我想從HDFS移動到數據庫的小文件，並且這些文件將被輸入到MapReduce作業中。我不會把所有的文件，但對於某個用戶，所以可能整個行，至少一個列家庭。我可以從某個時間段拿檔案。

我知道HBase是的Hadoop數據庫，所以我期望能整合好我需要的東西，但是我也看到Cassandra有更好的性能。但是我想知道當您將它用作MapReduce作業的輸入時，情況如何。性能仍然比HBase更好嗎？

我必須強調一點，我並不是在尋找HBase和Cassandra的對比，而是在MapReduce作業的具體案例中。諸如this之類的問題不會具體談論MapReduce作業的性能。另外，我正在尋找新的信息（我提到的問題是從2011年起，我相信自那以後可能會有一些變化）。

Answer 1

這兩個數據庫都有很好的讀寫性能。批量閱讀的HBase可能比Cassandra有稍好的表現。但是由於它的設計，HBase的工作速度比Cassandra快很多，所以我有兩個用例。

首先，當您需要繪製地圖時，只會根據列名減少一部分數據，例如，一個html頁面和一些解析後的信息。你把html放在一個列族中，解析的信息放在其他列中。不同的列系列位於HDFS中的不同文件中，因此只能讀取其中一個，而不需要讀取其他文件。這會給您帶來顯着的性能優勢，因爲在您需要只讀分析數據的情況下，這些數據佔用的空間比html小几倍。在卡桑德拉的情況下，你需要閱讀整個表格。

其次，當您需要按行順序或表的某些部分排序的訪問信息時，從某個域讀取html頁面。在HBase的情況下，你可以有一個行鍵作爲域和URL的總和。對於不加密的行密鑰的情況，HBase有一個很好的平衡器。但是Cassandra沒有或者你應該在這種情況下使用一些技巧來平衡，或者需要掃描整個表格。

希望這個用例會給你一些圖片，何時更好地使用HBase和Cassandra。