介绍Cassandra中的压缩

在《如何安装和配置Cassandra》中，我们可以在DataFileDirectories中配置数据的存放位置。

当Cassandra启动后，向其中插入的数据就会放在DataFileDirectories的目录下，如图：

这里有2个Column Family，分别是Standrad1，Super1。

大家可以想象，如果没有压缩功能的话，那么随着数据量的增加，DataFileDirectories目录中的文件会越来越多。

在Cassandra中的压缩功能避免了在DataFileDirectories目录中存在大量的数据文件。

设置压缩参数

当Cassandra启动以后，我们可以使用sh bin/nodetool –h hostname –p jmxport getcompactionthreshold 获得到当前Cassandra的压缩参数：最小压缩值，最大压缩值。

我们也可以使用sh bin/nodetool –h hostname –p jmxport setcompactionthreshold minthreshold maxthreshold的命令设置Cassandra的最小压缩值和最大压缩值。

手工关闭压缩功能

为了测试，我们可以先将压缩功能关闭，执行如下命令即可：sh bin/nodetool –h hostname –p jmxport setcompactionthreshold 0 0

执行完这个命令，Cassandra的压缩功能就关闭了，当我们插入大量数据以后，你会发现在DataFileDirectories目录下出现了大量的数据文件。

手工启动强制压缩

在上一步中，我们关闭了压缩，这样做的好处是可以提高大数据量导入的速度（后面会介绍到这个问题）。但是缺点是导致DataFileDirectories目录下出现了大量的数据文件。

如果想将这些数据文件压缩。我们可以执行如下命令： sh bin/nodetool –h hostname –p jmxport compact

当执行完这个命令后，Cassandra会将不同的Column Family文件分别合并成一个文件。合并的顺序是按照数据文件产生的时间先后顺序进行合并的。

正常的压缩流程

由于Cassandra的压缩参数是无法在配置文件中设定的，所以每次启动Cassandra，都会使用默认的参数：最小压缩值 4，最大压缩值 32。

压缩操作会在已下2个场景中使用：

Cassandra启动

当Cassandra启动的时候，会执行压缩操作：遍历每一个CF的文件数量，如果超过了最小值4，那么就会求一个平均值（ (4 + 32)/2 ），然后按照数据文件产生的时间先后顺序排序，取这个平均值和实际文件数量的较小的数来做一个文件的合并操作。

有新的SSTable文件需要写入磁盘

当memtable中的数据达到阀值时（这个阀值的大小可以在配置文件中指定），将会产生一个新的SSTable文件。这个时候，系统就会进行上面“Cassandra启动”的逻辑进行判断，是否需要进行压缩操作，如果需要进行压缩操作，哪些文件就会被合并。

以上介绍的这些就是Cassandra中压缩操作的工作情况。更多的详细信息可以参考org.apache.cassandra.db.CompactionManager。

希望这篇文章能帮助你理解Cassandra中的压缩操作。

更多关于Cassandra的文章：http://www.cnblogs.com/gpcuster/tag/Cassandra/