数据库与数据管理
如果你计划用Hadoop，那么你要去管理大量的数据的可能性还是很大的，然后要添加到MapReduce任务中，你可能需要某种数据库。自从Google的BigTable出现以来，Hadoop就已经对数据的管理产生了浓厚的兴趣。虽然已经有一些关系型数据库或者与HDFS数据的SQL接口，比如Hive，Hadoop的许多数据管理都是用non-SQL的技术来存储和访问数据。NoSQL的文档列表超过150个，NoSQL数据库可有以下分类：
- 列存储
- 文档存储
- 键值/元组存储
- 图数据库
- 多模板数据库
- 对象数据库
- 网格与云数据库
- 多值数据库
- 表格数据库
- 其它
NoSQL数据库一般来讲不支持在关系型系统中的关系型连接操作，复杂的事务，或者外键约束，但是在大量的数据上有更好的伸缩性。你将必须决定哪种数据库最好，哪个更适合你抽取信息。你将很可能用多种数据库。
本书将在每个部分中看到许多领先的例子，但是焦点将是两个主要的目录：键值的存储和文档的存储（如图2-1）：
一个键值存储可以看做是一个目录，目录下的所有条目都是根据索引（键）排序的。正如一个目录，如果你知道你要查找的键，那么一个键值存储是非常快速有效的，但是如果你不知道的话，那么就没什么用了。
Cassandra
许可证： PLG v2
活跃度： 高
目的： 键值存储
官方地址： https://cassandra.apache.org
Hadoop集成： API兼容
通常我们可能需要简单地组织大量数据为的是能够方便检索。一个通用的做法就是用一个key-value进行数据存储。这种数据库有点类似于一本电话簿里的一空白页。你的数据是通过唯一的“key”组织的，value是与key关联的。例如，如果你想存储一个客户的信息，你可以用他们的用户名作为key，事务历史以及地址可以作为与key关联的value。
Key-value数据存储是大数据系统中一个通用的方法，因为这样很容易伸缩，快速，并且可以直接应用。Cassandra是一个分布式key-value数据库，用了一些简单地和可伸缩的设计思想。虽然经常与HBase作比较，Cassandra有以下几点不同之处：
- Cassandra是完全包含在系统中的，也就是说不需要Hadoop环境和其他的大数据工具。
- Cassandra是完全无主的：它是作为对等系统的进行操作的。这使得它可以十分容易配置并可以复原。
教程链接
DataStax——一家对Cassandra提供商业支持的公司——提供了一系列免费的视频。
示例代码
与Cassandra进行交互最简单的方法就是用它的shell接口。你可以从你安装的目录打开shell运行bin/cqlsh。
然后你需要建立一个keyspace。Keyspace类似于传统关系型数据库中的schemas；他们是组织表更方便的一种方法。一个典型的模式就是为每一个应用用一个单独不同的keyspace：
CREATE KEYSPACE field_guide
WITH REPLICATION = {
'class': 'SimpleStrategy', 'replication factor' : 3 };
USE field_guide;现在你有一个keyspace了，现在你要建立一个表用另一个keyspace来存放你的评论。这个表有三列，主键包含评论人和主题，在数据库范围内这个键值对应该是唯一的:
CREATE TABLE reviews (
reviewer varchar,
title varchar,
rating int,
PRIMARY KEY (reviewer, title));
一旦你的表建立了，那么你就可以插入一些评论：
INSERT INTO reviews (reviewer,title,rating)
VALUES ('Kevin','Dune',10);
INSERT INTO reviews (reviewer,title,rating)
VALUES ('Marshall','Dune',1);
INSERT INTO reviews (reviewer,title,rating)
VALUES ('Kevin','Casablanca',5)现在你已经有了一些数据，你将建立一个索引允许你执行一个简单的SQL查询来检索Dune评论：
CREATE INDEX ON reviews (title);
SELECT * FROM reviews WHERE title = 'Dune'; reviewer | title | rating
----------+------------+-------
Kevin | Dune | 10
Marshall | Dune | 1
Kevin | Casablanca | 5