Cassandra vs HBase for Hadoop工作

Question

谈到MapReduce工作时，Cassandra优于HBase的优势是什么？

我有很多我想从HDFS移动到数据库的小文件，并且这些文件将被输入到MapReduce作业中。我不会把所有的文件，但对于某个用户，所以可能整个行，至少一个列家庭。我可以从某个时间段拿档案。

我知道HBase是的Hadoop数据库，所以我期望能整合好我需要的东西，但是我也看到Cassandra有更好的性能。但是我想知道当您将它用作MapReduce作业的输入时，情况如何。性能仍然比HBase更好吗？

我必须强调一点，我并不是在寻找HBase和Cassandra的对比，而是在MapReduce作业的具体案例中。诸如this之类的问题不会具体谈论MapReduce作业的性能。另外，我正在寻找新的信息（我提到的问题是从2011年起，我相信自那以后可能会有一些变化）。

Answer 1

这两个数据库都有很好的读写性能。批量阅读的HBase可能比Cassandra有稍好的表现。但是由于它的设计，HBase的工作速度比Cassandra快很多，所以我有两个用例。

首先，当您需要绘制地图时，只会根据列名减少一部分数据，例如，一个html页面和一些解析后的信息。你把html放在一个列族中，解析的信息放在其他列中。不同的列系列位于HDFS中的不同文件中，因此只能读取其中一个，而不需要读取其他文件。这会给您带来显着的性能优势，因为在您需要只读分析数据的情况下，这些数据占用的空间比html小几倍。在卡桑德拉的情况下，你需要阅读整个表格。

其次，当您需要按行顺序或表的某些部分排序的访问信息时，从某个域读取html页面。在HBase的情况下，你可以有一个行键作为域和URL的总和。对于不加密的行密钥的情况，HBase有一个很好的平衡器。但是Cassandra没有或者你应该在这种情况下使用一些技巧来平衡，或者需要扫描整个表格。

希望这个用例会给你一些图片，何时更好地使用HBase和Cassandra。