Cobar 提出的一种在分库场景下对 Order By / Limit 的优化
搜索关注微信公众号"捉虫大师",后端技术分享,架构设计、性能优化、源码阅读、问题排查、踩坑实践。本文已收录 https://github.com/lkxiaolou/lkxiaolou 欢迎 star。
Cobar 虽然是一款“古老”的数据库中间件,但目前不少公司仍然在用它,且它包含了不少有意思的算法和实现,今天就来分享 Cobar 提出的一种在分库场景下对 Order By / Limit 的优化。
原算法描述参考: https://github.com/alibaba/cobar/blob/master/doc/cobarSolution.ppt
背景
Cobar 最重要的功能就是分库分表,通常读取性能瓶颈可以通过增加从库或缓存来解决。
但写入性能在 MySQL 上只能通过分库分表来提升。
当我们把数据分布到不同的数据库上时,再查询时如果是单条数据只要找到这条数据对应的库即可,但如果是多条数据,可能分布在不同的库上时,Cobar 就需要先查询,再聚合。
来个具体例子:
如果我们要查询 tb1
表的 c1
字段,且取 c1
正序的下标(从 0 开始)为 4、5 的数据。假设分了三个库,我们为了取到正确数据,需要去这三个分库都取下标 0-5 的数据,假设取到如下数据:
取到 3 堆已排序的数据,对这 3 堆数据从小开始丢弃 0、1、2、3 号数据,保留第 4、5 号数据即是我们需要的。
这个算法看起来没啥问题,但如果数据量稍微变化一下,比如:
select c1 from tb1 order by c1 limit 9999999, 4
如果还按照上述的方法来做,首先得去每个分库查询 0 - 10000003 的数据,然后再合并丢弃 0-9999998 号数据。
相当于丢弃了大约不分库时 3 倍的数据。这多少显得有点浪费了。
算法优化
Step1:将这条语句拆分成 3 条语句发给 3 个分库:
Step2:找出查询结果的最大和最小值,这里假设最小值为 3,最大值为 11
Step3:以最小值和最大值为条件再次查询
假设我们取得的数据如图,那么我们是不是很容易推断出这些结果之前还有多少数据?
Step4:反查出每一个返回结果的 offset,这里我们就能推断出分库 1 在最小值之前还有 3333332 条数据,分库 2 在最小值之前还有 3333333 条数据,分库 3 在最小值之前还有 3333331 条数据
这时,我们就可以丢弃合并后的 0-9999998 号数据了,分库 1、2、3 将最小值之前的数据都丢弃共丢弃了 0-9999995 号数据,再丢弃 3 个最小值 3 刚好够到了 9999998,所以 9999999 号数据开始依次是 4、5、5、6
算法分析
效率
以上例来说明,未优化前:
1 次查询,查询的数据总量大约 3kw,丢弃 9999999 条数据
优化后:
第 1 次查询,查询数据总量约 1kw
第 2 次查询,数据总量 17
丢弃 3 条数据
从这个例子可以看出,查询的数据量大大减少,需要计算丢弃的量也大大减少
非理想情况
可能大家能看出来,上述例子是非常理想的情况,如果数据没这么“理想”,结局又是怎样?
Step4 中反查的最小值之前不够丢弃怎么办,比如:
Step4 中反查的最小值之前的数据比需要丢弃的数据多怎么办?
可以看出,如果是这两种情况,这种算法就没法再次生效了。
优化的前提
根据上述两种情况来看,可以总结出该算法生效的前提是:
数据(排序字段)在各个分库上的分布要均匀
其实可以做个极端的假设,比如只有第一个分库上有数据,其他数据库没有数据,那么这个算法就失效了
总结
这么来看,这个算法是不是很废?确实比较废,就连 Cobar 中也没有使用。
但在某些场景下还是有比较大的提升的,分库的数据大部分时候是按字段进行取模,所以可以认为几乎是分布均匀
的,此时如果 Order By / Limit 是比较深度翻页
的数据,可以采取此策略,但也要进行兜底,如果返回的数据不满足条件,继续退化为最初的算法,所以单次效率可能不高,但从统计值上来看其效率可能是更高的。
搜索关注微信公众号"捉虫大师",后端技术分享,架构设计、性能优化、源码阅读、问题排查、踩坑实践。
版权声明: 本文为 InfoQ 作者【捉虫大师】的原创文章。
原文链接:【http://xie.infoq.cn/article/962191014deb0945f17926b4a】。文章转载请联系作者。
评论