بانک اطلاعاتی مناسب برای یک شبکه اجتماعی

من یک برنامه نویس وب هستم.

مدتی است که با سایت شما در حوزه‌ی کلان داده آشنا شده‌ام و مطالب آن را دنبال می‌کنم.

همچنین یک پروژه‌ی Social Media در دست ایجاد دارم که در خصوص نگهداری اطلاعات در دیتابیس‌های NoSQL در حال تحقیق و بررسی هستم.

با بررسی‌های اولیه‌ی انجام شده و با توجه به این‌که ماهیت کار شبیه Facebook و Instagram است، پایگاه داده‌ی Cassandra را انتخاب کردم.

مطلب شما در خصوص آشنایی با کاساندرا را مطالعه کردم، اما ابهاماتی در ذهنم وجود دارد.

فرض کنیم که در سیستم ما مفاهیم User, Post و Tag وجود داشته باشد. هر User تعدادی User دیگر را به عنوان Friend انتخاب می‌کند. هر User تعدادی Post ارسال می‌کند و هر User تعدادی Tag روی برخی از پست‌ها می‌گذارد. هر Post تعدادی Tag دارد و بالعکس، هر Tag نیز تعدادی Post دارد.

اگر بخواهیم با نگاه کاساندرا پایگاه داده را طراحی کنیم، باید یک Column Family به نام UserFriends داشته باشیم، یک Column Family به نام UserPosts، یکی به نام PostTags و یکی هم به نام TagPosts.

در UserFriends، به ازای هر User در هر سطر با کلید سطر UserId، دوستان آن User در ستون‌ها نگهداری می‌شود.

در UserPosts، به ازای هر User در هر سطر با کلید سطر UserId، مطالب ارسالی آن User در ستون‌ها نگهداری می‌شود.

در PostTags، به ازای هر Post در هر سطر با کلید سطر PostId، تگ‌های آن Post در ستون‌ها نگهداری می‌شود.

در TagPosts، به ازای هر Tag در هر سطر با کلید سطر TagName، مطالب ارسالی مرتبط با آن Tag در ستون‌ها نگهداری می‌شود.

سوال اول این است که آیا به این ترتیب، ذخیره‌ی یک نوع داده (مانند Post یا Tag) در چند Column Family صحیح است؟

سوال دوم این است که در هر ستون چه اطلاعاتی از آن Entity باید نگهداری شود؟ یعنی آیا در UserFriends، نگهداری Id ی User هایی که دوست یک User هستند کفایت می‌کند یا این‌که باید کل اطلاعات هر User را نگهداری کرد و Column Family های عنوان شده را به Super Column تبدیل نمود؟

سوال سوم این‌که اگر پاسخ سوال دوم این باشد که نگهداری میزان اطلاعات در هر Column Family وابسته به نحوه‌ی نمایش اطلاعات در Application باشد و ما اطلاعاتی را از هر Entity نگه بداریم که در Application به نمایش آن احتیاج داریم، اگر قرار باشد Application در مسیر توسعه نحوه‌ی نمایش اطلاعات را تغییر بدهد، این تغییرات در پایگاه داده بسیار عظیم و زمان‌بر خواهد بود. در این حالت چه باید کرد؟ مثلاً فرض کنید در قسمتی که قرار است لیست دوستان یک کاربر را نمایش دهیم، در یک نسخه تنها نام دوستان را نمایش دهیم، اما در نسخه‌ی بعدی به این نتیجه برسیم که اگر نام کاربر را به پروفایلش لینک کنیم بهتر است و در پایگاه داده کاساندرا، در Column Family ی UserFriends به ازای هر User، آدرس پروفایل کاربر را نداشته باشیم، چگونه می‌توان این تغییر را به وجود آورد و پایگاه داده را به سرعت به روز رسانی کرد؟ ضمن این‌که ممکن است در حالت‌های دیگر، ناچار باشیم با توجه به نحوه‌ی نگهداری اطلاعات در کاساندرا، چندین Column Family را Update کنیم.

ممنون می‌شوم اگر اطلاعات خود را در اختیار بنده قرار داده و کمکم کنید.

با تشکر

کاوه

از توضیحاتتان متوجه شدم که تا حدود بسیار زیادی مدلسازی داده با کاساندرا را مسلط شده اید که جای تبریک دارد .
توصیه من این است که به دلیل ماهیت روابط مختلف و دایره واری که موجودیتهای شما دارند دیتابیس های گراف محور مثل
Neo4j یا  Orientdb
را که گزینه های  مناسبی برای کار شما به نظر می رسند را نیز بررسی کنید.
و اما سوالات شما .
۱.مدلسازی شما کاملا درست انجام شده است .
۲. توصیه من ذخیره حداقلی داده ها در حد آی دی ها و نهایتا یکی دو فیلد دیگر مانند صد کاراکتر اول پست و تاریخ آن است که برای نمایش اولیه یک پست نیاز به مراجعه به دیتابیس تا حد امکان  نباشد. اما اگر این اطلاعات زیاد باشد بهتر است آی دی ها را ذخیره کنید و با درخواستهای بعدی نیاز اطلاعاتیتان را برآورده کنید .
۳. آپدیت زمانبر خواهد بود و بسته به حجم داده و حجم‌فعلی و میزان توزیع شدگی کاساندرا دارد که در حقبقت ساختن مجدد سطرها خواهد بود . تخمین دقبقی ازین بخش ندارم .

موفق باشید

کاوه :

 مهندسی داده :