cassandra学习笔记二

        这里，我们开始搭建一个cassandra集群。

一、了解token

        token是cassandra里相当重要的一个概念，它是cassandra用来平衡集群内各节点负载的一个属性。cassandra里有不同的token分配策略，推荐采用默认的RandomPartitioner分区策略。在这个策略下，token是一个0~2的127次方之间的一个整数（这也意味着理论上cassandra可以支持2的127次方个节点）。之所以是2的127次方，是因为MD5 HASH固定输出128位的数，去掉一位符号位，剩下127位。

        cassandra会将你插入数据时的key进行md5 HASH，得到一个127位的数，然后将这个数与各节点的token比较来决定存储到哪个节点上。它根据以下规则进行节点选择：

        1.数据将存储到拥有最近的比key的hash值大的token的节点上；

        2.若key的hash值比最大的token大，那将被存储到具有最小token的节点上。

        在配置文件cassandra.yaml里，有一个配置是initial_token，这里就是配置该节点的token值。该值留空时，cassandra会自动给该节点分配一个token，依据以下规则：

        1.若该节点已经被配置好准备加入集群，则cassandra会根据集群现有的token来分配一个最平衡的token给该节点。很明显，分配一个token给新加入的节点，会让现有的某个节点减少一半的负载。若集群里有多个token都是一样平衡， 则它会选择一个可以分担目前存储了最多数据的节点的token。

        2.若该节点还未准备好加入集群，则cassandra会认为这个节点是引导节点，并分配一个固定值给它。所以若你分别单独配置两台节点，然后再尝试将它们集群，则会报告token重复。最好的方法应该是先单独配置第一台节点作为引导节点，然后后面的节点配置时应该也同时配置加入集群（后文说明），这样它们会自动获得一个平衡的token。

        配置文件里的token仅在系统第一次启动时被使用，然后该值被写入system文件，以后系统启动将不再从配置文件读取token。因此若你发现两台节点的token重复，你无法通过改变配置文件里的token来改变节点的token。正确的修改方法是删除自定义data文件夹里的所有文件，重新启动服务。

        token会直接影响集群里节点所承受的负载，我们应该尽量保证每个节点所负责的token范围是平衡的。若你发现节点的负载不平衡，你可以手动改变它们的token来让它们平衡。先计算出每台节点的token（平均分配），然后使用nodetool工具改变它。下面给出一个java里计算token的方法，参数是节点数。

public static void calToken(int nodesNum)
{
DecimalFormat df = new DecimalFormat(".");
for(int i = 0;i < nodesNum;i++)
{
System.out.println(df.format((i * Math.pow(2, 127) / nodesNum)));
}
}

        得到token后，使用nodetool来手动分配，比如我要将地址为192.168.20.1的节点的token改变为56713727820156410000000000000000000000：

        nodetool.bat -h 192.168.20.1 move 56713727820156410000000000000000000000

二、修改配置文件

        讲完了token，现在来说一下集群应该怎么配置。配置文件的修改依然集中在cassandra.yaml文件里，主要修改以下属性：

        cluster_name：集群名，所有集群里的节点，这个配置必须相同。

        seeds：这是种子节点。cassandra是一个p2p式的分布式数据库，没有所谓的中心节点。但为了保证节点能找到集群，你必须告诉它至少一台已经在集群内的节点IP。这样通过这个节点，它能找到集群内的所有节点。

        listen_address：其它节点与自己通信的IP，这里必须设置为自己的主机IP。若设置为localhost或127.0.0.1，则可能其它节点无法与自己通信。

        rpc_address：这里设置其它节点上的客户端能否与自己的服务端通信。设置为0.0.0.0表示任何节点上的客户端都可以与自己通信，否则只允许本机客户端与自己通信。

        这里以两台机器A和B示例，它们的IP分别为192.168.20.1和192.168.20.2。

        A的配置如下：

        cluster_name：'FirstCluster'

        seeds: "192.168.20.1,192.168.20.2"

        listen_address: 192.168.20.1

        rpc_address: 0.0.0.0

        B的配置如下：

        cluster_name：'FirstCluster'

        seeds: "192.168.20.2,192.168.20.1"

        listen_address: 192.168.20.2

        rpc_address: 0.0.0.0

        其实A和B的seeds配置没必要都一样，只要有其中一个配置了对方的IP，保证他们可以互相通信就可以了。因此若我们想再加入一台节点C，则我们只需要在C的seeds里加上A或B的IP就可以了，A和B的seeds不需要变。但官网推荐seeds都配置成一样的，因为这样会更健壮。假如C只写了A的IP，那么若A断了，则B和C也断了。因此可以的话，尽量将集群里所有节点的seeds配置成一样的。

三、启动集群

        将这几台机器启动后，若以上配置正确，它们会自动探测到对方并完成集群。为了查看是否正确集群，我们进入bin目录使用ring命令：

        nodetool.bat -h localhost ring

        若集群完成，会输出集群内所有机器的信息。DC表示它们所在的数据中心，Status表示目前是否在线，State表示该节点的数据库是否正常，Load表示当前该节点所存储的数据的大小，Owns表示根据Token计算的预计数据负载。

四、一些常用的操作

        集群里，数据会自动分布到对应的节点上，但我们可能想数据存储多个副本，那么可以设置replication_factor属性。replication_factor表示一个数据存放多少个副本，以前该属性可以在配置文件里修改，但最新的cassandra取消了这个做法，你需要启动客户端来修改。进入bin，打开客户端cassandra-cli：

        connect localhost/9160;

        use DEMO;

        update keyspace DEMO with placement_strategy =  'org.apache.cassandra.locator.SimpleStrategy' and    strategy_options={replication_factor:3};

        这条语句，首先将placement_strategy从默认的NetworkTopologyStrategy修改为SimpleStrategy，然后我们才能设置replication_factor属性。

        修改完成后，数据将会自动存储多个副本在不同的节点上，第一个数据副本存储在最适合的token节点上，第二个副本的节点选择将按照第一个的token递增。

        但这个同步并不是立刻完成的，若你想立刻看它们散布副本，可以对所有节点使用repair命令。

        nodetool.bat -h <ip> repair

        此时再使用ring命令，就会发现节点的Load应该都增多了。

        若集群里有新节点加入，则它们会分掉一部分的token范围，但原来已经分配好的数据却可能不会随着新token而重新分布（这里说的是集群自动分配token，如果你使用了move命令手动重新分配了token，则数据也会随之重新分布）。若你想让它们重新分布，则在加入新节点后，使用repair命令，它们会自动去索引自己的数据。而此时老节点上又存在一些不属于自己的数据，我们可以使用cleanup命令来清除冗余数据：

        nodetool.bat -h <ip> cleanup

        注意，你最好确认新机器可以正常工作后再使用这个命令。