面對千萬級數(shù)據(jù)查詢，CK、ES、RediSearch誰才是王炸？
前言
在開發(fā)中遇到一個業(yè)務訴求，需要在千萬量級的底池數(shù)據(jù)中篩選出不超過 10W 的數(shù)據(jù)，并根據(jù)配置的權重規(guī)則進行排序、打散（如同一個類目下的商品數(shù)據(jù)不能連續(xù)出現(xiàn) 3 次）。
下面對該業(yè)務訴求的實現(xiàn)，設計思路和方案優(yōu)化進行介紹，對「千萬量級數(shù)據(jù)中查詢 10W 量級的數(shù)據(jù)」設計了如下方案：
- 多線程 + CK 翻頁方案
- ES scroll scan 深翻頁方案
- ES + Hbase 組合方案
- RediSearch + RedisJSON 組合方案
一、初版設計方案
整體方案設計為：
- 先根據(jù)配置的「篩選規(guī)則」，從底池表中篩選出「目標數(shù)據(jù)」。
- 在根據(jù)配置的「排序規(guī)則」，對「目標數(shù)據(jù)」進行排序，得到「結果數(shù)據(jù)」。
技術方案如下：
- 每天運行導數(shù)任務，把現(xiàn)有的千萬量級的底池數(shù)據(jù)（Hive 表）導入到 Clickhouse 中，后續(xù)使用 CK 表進行數(shù)據(jù)篩選。
- 將業(yè)務配置的篩選規(guī)則和排序規(guī)則，構建為一個「篩選 + 排序」對象 SelectionQueryCondition。
- 從 CK 底池表取「目標數(shù)據(jù)」時，開啟多線程，進行分頁篩選，將獲取到的「目標數(shù)據(jù)」存放到 result 列表中。
//分頁大小 默認 5000
int pageSize = this.getPageSize();
//頁碼數(shù)
int pageCnt = totalNum / this.getPageSize() + 1;
List<Map<String, Object>> result = Lists.newArrayList();
List<Future<List<Map<String, Object>>>> futureList = new ArrayList<>(pageCnt);
//開啟多線程調用
for (int i = 1; i <= pageCnt; i++) {
//將業(yè)務配置的篩選規(guī)則和排序規(guī)則 構建為 SelectionQueryCondition 對象
SelectionQueryCondition selectionQueryCondition = buildSelectionQueryCondition(selectionQueryRuleData);
selectionQueryCondition.setPageSize(pageSize);
selectionQueryCondition.setPage(i);
futureList.add(selectionQueryEventPool.submit(new QuerySelectionDataThread(selectionQueryCondition)));
}
for (Future<List<Map<String, Object>>> future : futureList) {
//RPC 調用
List<Map<String, Object>> queryRes = future.get(20, TimeUnit.SECONDS);
if (CollectionUtils.isNotEmpty(queryRes)) {
// 將目標數(shù)據(jù)存放在 result 中
result.addAll(queryRes);
}
}
- 對目標數(shù)據(jù) result 進行排序，得到最終的「結果數(shù)據(jù)」。
二、CK分頁查詢
在「初版設計方案」章節(jié)的第 3 步提到了「從 CK 底池表取目標數(shù)據(jù)時，開啟多線程，進行分頁篩選」。此處對 CK 分頁查詢進行介紹。
- 封裝了 queryPoolSkuList 方法，負責從 CK 表中獲得目標數(shù)據(jù)。該方法內部調用了 sqlSession.selectList 方法。
public List<Map<String, Object>> queryPoolSkuList( Map<String, Object> params ) {
List<Map<String, Object>> resultMaps = new ArrayList<>();
QueryCondition queryCondition = parseQueryCondition(params);
List<Map<String, Object>> mapList = lianNuDao.queryPoolSkuList(getCkDt(),queryCondition);
if (CollectionUtils.isNotEmpty(mapList)) {
for (Map<String,Object> data : mapList) {
resultMaps.add(camelKey(data));
}
}
return resultMaps;
}
// lianNuDao.queryPoolSkuList
@Autowired
@Qualifier("ckSqlNewSession")
private SqlSession sqlSession;
public List<Map<String, Object>> queryPoolSkuList( String dt, QueryCondition queryCondition ) {
queryCondition.setDt(dt);
queryCondition.checkMultiQueryItems();
return sqlSession.selectList("LianNu.queryPoolSkuList",queryCondition);
}
- sqlSession.selectList 方法中調用了和 CK 交互的 queryPoolSkuList 查詢方法，部分代碼如下。
<select id="queryPoolSkuList" parameterType="com.jd.bigai.domain.liannu.QueryCondition" resultType="java.util.Map">
select sku_pool_id,i
tem_sku_id,
skuPoolName,
price,
businessType
from liannu_sku_pool_indicator_all
where
dt=#{dt}
and
<foreach collection="queryItems" separator=" and " item="queryItem" open=" " close=" " >
<choose>
<when test="queryItem.type == 'equal'">
${queryItem.field} = #{queryItem.value}
</when>
</choose>
</foreach>
<if test="orderBy == null">
group by sku_pool_id,item_sku_id
</if>
<if test="orderBy != null">
group by sku_pool_id,item_sku_id,${orderBy} order by ${orderBy} ${orderAd}
</if>
<if test="limitEnd != 0">
limit #{limitStart},#{limitEnd}
</if>
</select>
- 可以看到，在 CK 分頁查詢時，是通過 limit #{limitStart},#{limitEnd} 實現(xiàn)的分頁。
limit 分頁方案，在「深翻頁」時會存在性能問題。初版方案上線后，在 1000W 量級的底池數(shù)據(jù)中篩選 10W 的數(shù)據(jù)，最壞耗時會達到 10s~18s 左右。
三、使用ES Scroll Scan優(yōu)化深翻頁
對于 CK 深翻頁時候的性能問題，進行了優(yōu)化，使用 Elasticsearch 的 scroll scan 翻頁方案進行優(yōu)化。
1、ES的翻頁方案
ES 翻頁，有下面幾種方案：
- from + size 翻頁
- scroll 翻頁
- scroll scan 翻頁
- search after 翻頁
對上述幾種翻頁方案，查詢不同數(shù)目的數(shù)據(jù)，耗時數(shù)據(jù)如下表。
2、耗時數(shù)據(jù)
此處，分別使用 Elasticsearch 的 scroll scan 翻頁方案、初版中的 CK 翻頁方案進行數(shù)據(jù)查詢，對比其耗時數(shù)據(jù)。
如上測試數(shù)據(jù)，可以發(fā)現(xiàn)，以十萬，百萬，千萬量級的底池為例。
- 底池量級越大，查詢相同的數(shù)據(jù)量，耗時越大。
- 查詢結果 3W 以下時，ES 性能優(yōu)；查詢結果 5W 以上時，CK 多線程性能優(yōu)。
四、ES+Hbase組合查詢方案
在「使用 ES Scroll Scan 優(yōu)化深翻頁」中，使用 Elasticsearch 的 scroll scan 翻頁方案對深翻頁問題進行了優(yōu)化，但在實現(xiàn)時為單線程調用，所以最終測試耗時數(shù)據(jù)并不是特別理想，和 CK 翻頁方案性能差不多。
在調研階段發(fā)現(xiàn)，從底池中取出 10W 的目標數(shù)據(jù)時，一個商品包含多個字段的信息（CK 表中一行記錄有 150 個字段信息），如價格、會員價、學生價、庫存、好評率等。對于一行記錄，當減少獲取字段的個數(shù)時，查詢耗時會有明顯下降。如對 sku1的商品，從之前獲取價格、會員價、學生價、親友價、庫存等 100 個字段信息，縮減到只獲取價格、庫存這兩個字段信息。
如下圖所示，使用 ES 查詢方案，對查詢同樣條數(shù)的場景（從千萬級底池中篩選出 7W+ 條數(shù)據(jù)），獲取的每條記錄的字段個數(shù)從 32 縮減到 17，再縮減到 1個（其實是兩個字段，一個是商品唯一標識 sku_id，另一個是 ES 對每條文檔記錄的 doc_id）時，查詢的耗時會從 9.3s 下降到 4.2s，再下降到 2.4s。
從中可以得出如下結論：
- 一次 ES 查詢中，若查詢字段和信息較多，fetch 階段的耗時，遠大于 query 階段的耗時。
- 一次 ES 查詢中，若查詢字段和信息較多，通過減少不必要的查詢字段，可以顯著縮短查詢耗時。
下面對結論中涉及的 query 和 fetch 查詢階段進行補充說明。
1、ES查詢的兩個階段：query和fetch
在 ES 中，搜索一般包括兩個階段，query 和 fetch 階段。
- query 階段
根據(jù)查詢條件，確定要取哪些文檔（doc），篩選出文檔 ID（doc_id）。
- fetch 階段
根據(jù) query 階段返回的文檔 ID（doc_id），取出具體的文檔（doc）。
2、ES的filesystem cache
1）ES 會將磁盤中的數(shù)據(jù)自動緩存到 filesystem cache，在內存中查找，提升了速度。
2）若 filesystem cache 無法容納索引數(shù)據(jù)文件，則會基于磁盤查找，此時查詢速度會明顯變慢。
3）若數(shù)量兩過大，基于「ES 查詢的的 query 和 fetch 兩個階段」，可使用 ES + HBase 架構，保證 ES 的數(shù)據(jù)量小于 filesystem cache，保證查詢速度。
3、組合使用Hbase
在上文調研的基礎上，發(fā)現(xiàn)「減少不必要的查詢展示字段」可以明顯縮短查詢耗時。沿著這個優(yōu)化思路，參考相關資料設計了一種新的查詢方案。
- ES 僅用于條件篩選，ES 的查詢結果僅包含記錄的唯一標識 sku_id（其實還包含 ES 為每條文檔記錄的 doc_id）。
- Hbase 是列存儲數(shù)據(jù)庫，每列數(shù)據(jù)有一個 rowKey。利用 rowKey 篩選一條記錄時，復雜度為 O(1)。（類似于從 HashMap 中根據(jù) key 取 value）。
- 根據(jù) ES 查詢返回的唯一標識 sku_id，作為 Hbase 查詢中的 rowKey，在 O(1) 復雜度下獲取其他信息字段，如價格，庫存等。
使用 ES + Hbase 組合查詢方案，在線上進行了小規(guī)模的灰度測試。在 1000W 量級的底池數(shù)據(jù)中篩選 10W 的數(shù)據(jù)，對比 CK 翻頁方案，最壞耗時從 10~18s 優(yōu)化到了 3~6s 左右。
也應該看到，使用 ES + Hbase 組合查詢方案，會增加系統(tǒng)復雜度，同時數(shù)據(jù)也需要同時存儲到 ES 和 Hbase。
五、RediSearch+RedisJSON優(yōu)化方案
RediSearch 是基于 Redis 構建的分布式全文搜索和聚合引擎，能以極快的速度在 Redis 數(shù)據(jù)集上執(zhí)行復雜的搜索查詢。RedisJSON 是一個 Redis 模塊，在 Redis 中提供 JSON 支持。RedisJSON 可以和 RediSearch 無縫配合，實現(xiàn)索引和查詢 JSON 文檔。
根據(jù)一些參考資料，RediSearch + RedisJSON 可以實現(xiàn)極高的性能，可謂碾壓其他 NoSQL 方案。在后續(xù)版本迭代中，可考慮使用該方案來進一步優(yōu)化。
下面給出 RediSearch + RedisJSON 的部分性能數(shù)據(jù)。
1、RediSearch 性能數(shù)據(jù)
在同等服務器配置下索引了 560 萬個文檔 (5.3GB)，RediSearch 構建索引的時間為 221 秒，而 Elasticsearch 為 349 秒。RediSearch 比 ES 快了 58%。
數(shù)據(jù)建立索引后，使用 32 個客戶端對兩個單詞進行檢索，RediSearch 的吞吐量達到 12.5K ops/sec，ES 的吞吐量為 3.1K ops/sec，RediSearch 比ES 要快 4 倍。同時，RediSearch 的延遲為 8ms，而 ES 為 10ms，RediSearch 延遲稍微低些。
2、RedisJSON 性能數(shù)據(jù)
根據(jù)官網的性能測試報告，RedisJson + RedisSearch 可謂碾壓其他 NoSQL。
- 對于隔離寫入（isolated writes），RedisJSON 比 MongoDB 快 5.4 倍，比 ES 快 200 倍以上。
- 對于隔離讀取（isolated reads），RedisJSON 比 MongoDB 快 12.7 倍，比 ES 快 500 倍以上。
在混合工作負載場景中，實時更新不會影響 RedisJSON 的搜索和讀取性能，而 ES 會受到影響。
- RedisJSON 支持的操作數(shù)/秒比 MongoDB 高約 50 倍，比 ES 高 7 倍/秒。
- RedisJSON 的延遲比 MongoDB 低約 90 倍，比 ES 低 23.7 倍。
此外，RedisJSON 的讀取、寫入和負載搜索延遲，在更高的百分位數(shù)中遠比 ES 和 MongoDB 穩(wěn)定。當增加寫入比率時，RedisJSON 還能處理越來越高的整體吞吐量。而當寫入比率增加時，ES 會降低它可以處理的整體吞吐量。
總結
本文從一個業(yè)務訴求觸發(fā)，對「千萬量級數(shù)據(jù)中查詢 10W 量級的數(shù)據(jù)」介紹了不同的設計方案。對于「在 1000W 量級的底池數(shù)據(jù)中篩選 10W 的數(shù)據(jù)」的場景，不同方案的耗時如下：
- 多線程 + CK 翻頁方案，最壞耗時為 10s~18s。
- 單線程 + ES scroll scan 深翻頁方案，相比 CK 方案，并未見到明顯優(yōu)化。
- ES + Hbase 組合方案，最壞耗時優(yōu)化到了 3s~6s。
- RediSearch + RedisJSON 組合方案，后續(xù)會實測該方案的耗時。
