面對千萬級資料查詢，CK、ES、RediSearch誰才是王炸？

前言

在開發中遇到一個業務訴求，需要在千萬量級的底池資料中篩選出不超過 10W 的資料，并根據配置的權重規則進行排序、打散（如同一個類目下的商品資料不能連續出現 3 次）。

下面對該業務訴求的實作，設計思路和方案優化進行介紹，對「千萬量級資料中查詢 10W 量級的資料」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：

先根據配置的「篩選規則」，從底池表中篩選出「目标資料」。
在根據配置的「排序規則」，對「目标資料」進行排序，得到「結果資料」。

技術方案如下：

每天運作導數任務，把現有的千萬量級的底池資料（Hive 表）導入到 Clickhouse 中，後續使用 CK 表進行資料篩選。

将業務配置的篩選規則和排序規則，建構為一個「篩選 + 排序」對象 SelectionQueryCondition。

從 CK 底池表取「目标資料」時，開啟多線程，進行分頁篩選，将擷取到的「目标資料」存放到 result 清單中。

//分頁大小  預設 5000
int pageSize = this.getPageSize();
//頁碼數
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++) {
    //将業務配置的篩選規則和排序規則 建構為 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)) {
        // 将目标資料存放在 result 中
        result.addAll(queryRes);
    }
}

對目标資料 result 進行排序，得到最終的「結果資料」。

二、CK分頁查詢

在「初版設計方案」章節的第 3 步提到了「從 CK 底池表取目标資料時，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 表中獲得目标資料。該方法内部調用了 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 互動的 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} 實作的分頁。

limit 分頁方案，在「深翻頁」時會存在性能問題。初版方案上線後，在 1000W 量級的底池資料中篩選 10W 的資料，最壞耗時會達到 10s~18s 左右。

三、使用ES Scroll Scan優化深翻頁

對于 CK 深翻頁時候的性能問題，進行了優化，使用 Elasticsearch 的 scroll scan 翻頁方案進行優化。

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，查詢不同數目的資料，耗時資料如下表。

2、耗時資料

此處，分别使用 Elasticsearch 的 scroll scan 翻頁方案、初版中的 CK 翻頁方案進行資料查詢，對比其耗時資料。

如上測試資料，可以發現，以十萬，百萬，千萬量級的底池為例。

底池量級越大，查詢相同的資料量，耗時越大。

查詢結果 3W 以下時，ES 性能優；查詢結果 5W 以上時，CK 多線程性能優。

四、ES+Hbase組合查詢方案

在「使用 ES Scroll Scan 優化深翻頁」中，使用 Elasticsearch 的 scroll scan 翻頁方案對深翻頁問題進行了優化，但在實作時為單線程調用，是以最終測試耗時資料并不是特别理想，和 CK 翻頁方案性能差不多。

在調研階段發現，從底池中取出 10W 的目标資料時，一個商品包含多個字段的資訊（CK 表中一行記錄有 150 個字段資訊），如價格、會員價、學生價、庫存、好評率等。對于一行記錄，當減少擷取字段的個數時，查詢耗時會有明顯下降。如對 sku1的商品，從之前擷取價格、會員價、學生價、親友價、庫存等 100 個字段資訊，縮減到隻擷取價格、庫存這兩個字段資訊。

如下圖所示，使用 ES 查詢方案，對查詢同樣條數的場景（從千萬級底池中篩選出 7W+ 條資料），擷取的每條記錄的字段個數從 32 縮減到 17，再縮減到 1個（其實是兩個字段，一個是商品唯一辨別 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，若查詢字段和資訊較多，fetch 階段的耗時，遠大于 query 階段的耗時。

一次 ES 查詢中，若查詢字段和資訊較多，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，搜尋一般包括兩個階段，query 和 fetch 階段。

query 階段

根據查詢條件，确定要取哪些文檔（doc），篩選出文檔 ID（doc_id）。

fetch 階段

根據 query 階段傳回的文檔 ID（doc_id），取出具體的文檔（doc）。

2、ES的filesystem cache

1）ES 會将磁盤中的資料自動緩存到 filesystem cache，在記憶體中查找，提升了速度。

2）若 filesystem cache 無法容納索引資料檔案，則會基于磁盤查找，此時查詢速度會明顯變慢。

3）若數量兩過大，基于「ES 查詢的的 query 和 fetch 兩個階段」，可使用 ES + HBase 架構，保證 ES 的資料量小于 filesystem cache，保證查詢速度。

3、組合使用Hbase

在上文調研的基礎上，發現「減少不必要的查詢展示字段」可以明顯縮短查詢耗時。沿着這個優化思路，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辨別 sku_id（其實還包含 ES 為每條文檔記錄的 doc_id）。

Hbase 是列存儲資料庫，每列資料有一個 rowKey。利用 rowKey 篩選一條記錄時，複雜度為 O(1)。（類似于從 HashMap 中根據 key 取 value）。

根據 ES 查詢傳回的唯一辨別 sku_id，作為 Hbase 查詢中的 rowKey，在 O(1) 複雜度下擷取其他資訊字段，如價格，庫存等。

使用 ES + Hbase 組合查詢方案，線上上進行了小規模的灰階測試。在 1000W 量級的底池資料中篩選 10W 的資料，對比 CK 翻頁方案，最壞耗時從 10~18s 優化到了 3~6s 左右。

也應該看到，使用 ES + Hbase 組合查詢方案，會增加系統複雜度，同時資料也需要同時存儲到 ES 和 Hbase。

五、RediSearch+RedisJSON優化方案

RediSearch 是基于 Redis 建構的分布式全文搜尋和聚合引擎，能以極快的速度在 Redis 資料集上執行複雜的搜尋查詢。RedisJSON 是一個 Redis 子產品，在 Redis 中提供 JSON 支援。RedisJSON 可以和 RediSearch 無縫配合，實作索引和查詢 JSON 文檔。

根據一些參考資料，RediSearch + RedisJSON 可以實作極高的性能，可謂碾壓其他 NoSQL 方案。在後續版本疊代中，可考慮使用該方案來進一步優化。

下面給出 RediSearch + RedisJSON 的部分性能資料。

1、RediSearch 性能資料

在同等伺服器配置下索引了 560 萬個文檔 (5.3GB)，RediSearch 建構索引的時間為 221 秒，而 Elasticsearch 為 349 秒。RediSearch 比 ES 快了 58%。

資料建立索引後，使用 32 個用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 性能資料

根據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 的搜尋和讀取性能，而 ES 會受到影響。

RedisJSON 支援的操作數/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、寫入和負載搜尋延遲，在更高的百分位數中遠比 ES 和 MongoDB 穩定。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

本文從一個業務訴求觸發，對「千萬量級資料中查詢 10W 量級的資料」介紹了不同的設計方案。對于「在 1000W 量級的底池資料中篩選 10W 的資料」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，并未見到明顯優化。

ES + Hbase 組合方案，最壞耗時優化到了 3s~6s。

RediSearch + RedisJSON 組合方案，後續會實測該方案的耗時。

>>>>

參考資料

ES翻頁優化和性能優化 | 掘金
ES 億級資料檢索優化，三秒傳回突破性能瓶頸 | InfoQ
RedisJson 橫空出世，性能碾壓 ES 和 Mongo | 掘金

作者丨變速風聲

來源丨網址：

https://juejin.cn/post/7104090532015505416

dbaplus社群歡迎廣大技術人員投稿，投稿郵箱：[email protected]

更多精彩内容

dbaplus社群最新一期直播【話題接力丨大資料上雲，如何發揮出1+1＞2的優勢？】将于今晚8點開播，dbaplus社群邀請到攜程研發總監-周昕毅、騰訊 PCG大資料平台部SRE負責人-童光輝在雲上彙聚，希望通過彙集兩位大資料專家的研究成果和實踐積累，給大家進一步明确大資料平台發展的方向，提供可參考、可落地的大資料上雲實戰經驗。

直播位址：話題接力丨大資料上雲，如何發揮出1+1＞2的優勢？

關于我們

dbaplus社群是圍繞Database、BigData、AIOps的企業級專業社群。資深大咖、技術幹貨，每天精品原創文章推送，每周線上技術分享，每月線下技術沙龍，每季度Gdevops&DAMS行業大會。

關注公衆号【dbaplus社群】，擷取更多原創技術文章和精選工具下載下傳

面對千萬級資料查詢，CK、ES、RediSearch誰才是王炸？

繼續閱讀

單行資料查詢之謎：為什麼慢？細解查詢長時間不傳回和查詢慢

抖音背景資料查詢網站，推薦款成本效益超高的

♥大資料查詢軟體來查貝是網際網路大資料征信平台，♥個人信用大資料報告分為三類分别是婚戀，家政，民生背景調查等♥相親找靠譜對

Arch Linux wine H7-tool自動安裝的并配置 wine 的版本 H7-TOOL PC AUR 包

Arch安裝并不難

解決 Arch/Manjaro Linux 倉庫更新簽名報錯及手動幹預軟體包更新解決 Arch/Manjaro Linux 倉庫更新簽名報錯解決 Arch/Manjaro Linux 軟體包更新報錯需要手動幹預軟體包更新補充：解決 Arch 系 GnuPG 密鑰更新失敗的問題

Arch 定制化安裝與美化

Arch Linux安裝KDE桌面環境安裝KDE

Linux安裝ElasticSearch及基礎配置

ElasticSearch 低成本高可用最佳實踐

Android Arch Comp - Room Persistence LibraryRoom Persistence Library

elasticsearch常用操作

新一代搜尋引擎ManticoreSearch問世，速度比ElasticSearch快15倍。它是否會取代ElasticS

使用 RediSearch 在 Redis 中進行全文檢索

TiDB在威銳達遠端診斷大資料中心的應用

Arch下安裝virtualbox運作windows7