Cassandra: The Definitive Guide, (Revised) Third Edition: Distributed Data at Web Scale

چرا بخریم: این راهنمای عملی به بررسی این موضوع می‌پردازد که چگونه سیستم مدیریت پایگاه داده Cassandra صدها ترابایت داده را مدیریت می‌کند و در عین حال در مراکز داده متعدد در دسترس است. این نسخه سوم - به روز شده برای Cassandra 4.0 - جزئیات فنی و نمونه های عملی را برای قرار دادن این پایگاه داده مقیاس پذیر برای کار در یک محیط تولید ارائه می دهد.

نویسندگان جف کارپنتر و ایبن هویت مزایای غیر کاساندرا را نشان می دهند. طراحی رابطه ای، با توجه ویژه به مدل سازی داده ها. این راهنما به توسعه دهندگان، DBA ها و معماران برنامه کمک می کند که به دنبال حل مشکل مقیاس پایگاه داده، برنامه های کاربردی مقاوم در آینده، و مهار سرعت و انعطاف پذیری Cassandra هستند.

این کتاب به خوانندگان کمک می کند:

ul>

• ساختار توزیع شده و غیرمتمرکز کاساندرا را درک کنید
• از زبان پرس و جوی کاساندرا (CQL) و cqlish، پوسته CQL استفاده کنید
• یک مدل داده کاری ایجاد کنید و آن را با یک معادل مقایسه کنید. مدل رابطه ای
• توسعه برنامه های نمونه با استفاده از درایورهای کلاینت برای زبان هایی از جمله جاوا، پایتون و Node.js
• کاوش توپولوژی خوشه و یادگیری نحوه تبادل داده ها توسط گره ها
• نگهداری سطح بالایی از عملکرد در یک کلاستر
• استقرار Cassandra در سایت، در Cloud، یا با Docker
• ادغام Cassandra با Spark، Hadoop، Elasticsearch، Solr، و Lucene

Why to buy: This hands-on guide explores how Cassandra database management system handles hundreds of terabytes of data while remaining highly available across multiple data centers. This third edition--updated for Cassandra 4.0--provides the technical details and practical examples for putting this scalable database to work in a production environment.

Authors Jeff Carpenter and Eben Hewitt demonstrate the advantages of Cassandra's non-relational design, with special attention to data modeling. This guide will help developers, DBAs, and application architects looking to solve a database scaling issue, future-proof applications, and harness Cassandra's speed and flexibility.

This book will assist readers to:

• Understand Cassandra's distributed and decentralized structure
• Use the Cassandra Query Language (CQL) and cqlish, the CQL shell
• Create a working data model and compare it with an equivalent relational model
• Develop sample applications using client drivers for languages including Java, Python, and Node.js
• Explore cluster topology and learn how nodes exchange data
• Maintain a high level of performance within a cluster
• Deploy Cassandra on site, in the Cloud, or with Docker
• Integrate Cassandra with Spark, Hadoop, Elasticsearch, Solr, and Lucene