高并发低基数多字段任意组合查询的优化_PHP教程

高并发低基数多字段任意组合查询的优化

1.问题

首先解释一下这个标题里出现的"低基数多字段任意组合查询"指什么东西。这里是指满足下面几个条件的查询：
1. 检索条件中涉及多个字段条件的组合
2. 这些字段的组合是不确定的
3. 每个单独字段的选择性都不好

这种类型的查询的使用场景很多，比如电商的商品展示页面。用户会输入各种不同查询条件组合：品类，供应商，品牌，促销，价格等等...,最后往往还要对结果进行排序和分页。

这类问题令人头疼的地方在于：
1. 记录数量众多，如果进行全表扫描性能低下无法满足高并发访问的要求。
2. 查询条件涉及的任何单个字段的选择性都很低，不能通过单字段索引解决查询效率问题。
3. 如果建立普通的Btree多字段索引，由于用户的输入条件组合太多，可能要建成百上千个索引，这不现实也很难维护。

2.方案

对这类问题我想到的解决方案有2种

2.1bitmap索引

bitmap的特点是存储key以及所有取值等于这个key的行集的bitmap，对于涉及多个key的组合查询，只需把这些key对应的bitmap做与或运算即可。由于bitmap的size很小，bit与或运算的效率也很高，所以bitmap非常适合做这类查询。
bitmap索引也有缺点，更新一条记录就会锁住整个表，不适合并发写比较多的场景。另外一个问题是，常见的关系数据库中支持bitmap索引的似乎只有Oracle一家，而我们很多时候我们想用开源数据库。

2.2 倒排索引

倒排索引和bitmap有相似之处，存储的是key和取值等于这个key的行集，行集可能是list也可能是tree或其它存储形式。对于多个key的组合查询，把这些key的结果做集合运算即可。
倒排索引一般用于全文检索，但很多系统也用它支持结构化数据的搜索，比如Elasticsearch。Elasticsearch支持JSON文档的快速搜索，支持复合查询，排序，聚合，分布式部署等很多不错的特性。但是考虑下面几个因素，我们更希望在关系数据库里找方案。
-不需要使用搜索引擎为模糊匹配提供的高级特性，实际上我们需要是精确匹配或者简单的模糊匹配。
-数据量还没有大到需要建一个分布式搜索集群。
-原始数据本来就在关系数据库里，不想烦心数据同步的问题。
-已经基于关系数据库的接口开发了应用，不想推倒重来。
-已经掌握了关系数据库的运维管理，对于全新的系统不知道还要踩多少坑。
-考虑到Java和C效能差异，关系数据库内建方案的性能未必输与专业的搜索引擎。

3.PostgreSQL的解法

如果把解决方案的范围限定在开源关系数据库，答案可能只有一个，就是PostgreSQL的gin索引。
PostgreSQL的gin索引就是倒排索引，它不仅被用于全文检索还可以用在常规的数据类型上，比如int,varchar。
对于多维查询我们可以这样建索引：
1. 对所有等值条件涉及的低基数字段，建立唯一一个多字段gin索引
2. 对选择性比较好的等值查询或范围查询涉及的字段，另外建btree索引

可能有同学会有疑问，同样是多字段索引，为什么gin的多字段索引只要建一个就可以了，而btree的多字段索引却要考虑各种查询组合建若干个。这是由于gin多字段索引中的每个字段是等价的，不存在前导字段的说法，所以只要建一个唯一的gin多字段索引就可以覆盖所有的查询组合；而btree多字段索引则不同，如果查询条件中不包含suoyi前导字段，是无法利用索引的。

多字段gin索引的内部存储的每个键是(column number,key datum)这样的形式，所以可以区分不同的字段而不致混淆。存储的值是匹配key的所有记录的ctid集合。这个集合在记录数比较多的情况下采用btree的形式存储,并且经过了压缩，所以gin索引占用的存储空间很小，大约只有等价的btree索引的二十分之一，这也从另一方面提升了性能。

对于多维查询涉及的多个字段，包含在多字段gin索引中的字段，由gin索引做ctid的集合归并(取并集或交集)，然后得到的ctid集合和其它索引得到的ctid集合再做BitmapAnd或BitmapOr归并。gin索引内部的ctid集合归并效率远高于索引间的ctid集合归并，而且gin索引对低基数字段的优化更好，所以充分利用gin索引的特性比为每个字段单独建一个btree索引再通过BitmapAnd或BitmapOr归并结果集效率高的多。

4.一个真实的案例

4.1 原始查询

下面这个SQL是某系统中一个真实SQL的简化版。

1. SELECT CASE WHEN gpppur.GB_BEGINDATE '2016-02-29 14:36:00' THEN 1
   
2. WHEN gpppur.PREVIEW_BEGINDT '2016-02-29 14:36:00' THEN 2
   
3. ELSE 3 END AS flag,
   
4. gpppur.*
   
5. FROM T_MPS_INFO gpppur
   
6. WHERE gpppur.ATTRACT_TP = 0
   
7. AND gpppur.COLUMN_ID = 1
   
8. AND gpppur.FIELD2 = 1
   
9. AND gpppur.STATUS = 1
   
10. ORDER BY flag ASC,gpppur.PC_SORT_NUM ASC,gpppur.GB_BEGINDATE DESC
11. LIMIT 0,45

用的是MySQL数据库，总数据量是60w，其中建有FIELD2+STATUS的多字段索引。
查询条件涉及的4个字段的值分布情况如下：

1. postgres=# select ATTRACT_TP,count(*) from T_MPS_INFO group by ATTRACT_TP;
   
2. attract_tp | count
   
3. ------------+--------
   
4. | 16196
   
5. 6 | 251
   
6. 2 | 50
   
7. 1 | 3692
   
8. 3 | 143
   
9. 10 | 314
   
10. 4 | 214
    
11. 5 | 194333
    
12. 9 | 326485
    
13. 7 | 1029
    
14. 0 | 6458
    
15. (11 rows)
    
16. 
    
17. postgres=# select COLUMN_ID,count(*) from T_MPS_INFO group by COLUMN_ID;
    
18. column_id | count
    
19. ------------+--------
    
20. | 2557
    
21. 285 | 20
    
22. 120 | 194
    
23. 351 | 2
    
24. 337 | 79
    
25. 227 | 26
    
26. 311 | 9
    
27. 347 | 2
    
28. 228 | 21
    
29. 318 | 1
    
30. 314 | 9
    
31. 54 | 10
    
32. 133 | 27
    
33. 2147483647 | 1
    
34. 336 | 1056
    
35. 364 | 1
    
36. 131 | 10
    
37. 243 | 5
    
38. 115 | 393
    
39. 61 | 73
    
40. 226 | 40
    
41. 196 | 16
    
42. 350 | 5
    
43. 373 | 72
    
44. 377 | 2
    
45. 260 | 4
    
46. 184 | 181
    
47. 363 | 1
    
48. 341 | 392
    
49. 64 | 1
    
50. 344 | 199271
    
51. 235 | 17
    
52. 294 | 755
    
53. 352 | 3
    
54. 368 | 1
    
55. 225 | 1
    
56. 199 | 8
    
57. 374 | 2
    
58. 248 | 8
    
59. 84 | 1
    
60. 362 | 1
    
61. 361 | 331979
    
62. 319 | 7
    
63. 244 | 65
    
64. 125 | 2
    
65. 130 | 1
    
66. 272 | 65
    
67. 66 | 2
    
68. 240 | 2
    
69. 775 | 1
    
70. 253 | 49
    
71. 60 | 45
    
72. 121 | 5
    
73. 257 | 3
    
74. 365 | 1
    
75. 0 | 1
    
76. 217 | 5
    
77. 270 | 1
    
78. 122 | 39
    
79. 56 | 49
    
80. 355 | 5
    
81. 161 | 1
    
82. 329 | 1
    
83. 222 | 9
    
84. 261 | 275
    
85. 2 | 3816
    
86. 57 | 19
    
87. 307 | 4
    
88. 310 | 8
    
89. 97 | 37
    
90. 202 | 20
    
91. 203 | 3
    
92. 85 | 1
    
93. 375 | 641
    
94. 58 | 98
    
95. 1 | 6479
    
96. 59 | 114
    
97. 185 | 7
    
98. 338 | 10
    
99. 379 | 17
    
100. (80 rows)
     
101. 
     
102. postgres=# select FIELD2,count(*) from T_MPS_INFO group by FIELD2;
     
103. field2 | count
     
104. --------+--------
     
105. | 2297
     
106. 6 | 469
     
107. 2 | 320
     
108. 1 | 11452
     
109. 3 | 286
     
110. 10 | 394
     
111. 4 | 291
     
112. 5 | 200497
     
113. 9 | 331979
     
114. 0 | 2
     
115. 7 | 1178
     
116. (11 rows)
     
117. 
     
118. postgres=# select STATUS,count(*) from T_MPS_INFO group by STATUS;
     
119. status | count
     
120. --------+--------
     
121. | 2297
     
122. 0 | 15002
     
123. 3 | 5
     
124. 4 | 1
     
125. 1 | 531829
     
126. 2 | 31
     
127. (6 rows)

由于这几个字段的值分布极其不均的，我们构造下面这个lua脚本产生不同的select语句来模拟负载。
qx.lua:

1. pathtest = string.match(test, "(.*/)") or ""
   
2. 
   
3. dofile(pathtest .. "common.lua")
   
4. 
   
5. function thread_init(thread_id)
   
6. set_vars()
   
7. end
   
8. 
   
9. function event(thread_id)
   
10. local ATTRACT_TP,COLUMN_ID,FIELD2,STATUS
    
11. ATTRACT_TP = sb_rand_uniform(0, 10)
    
12. COLUMN_ID = sb_rand_uniform(1, 100)
    
13. FIELD2 = sb_rand_uniform(0, 10)
    
14. STATUS = sb_rand_uniform(0, 4)
    
15. 
    
16. rs = db_query("SELECT CASE WHEN gpppur.GB_BEGINDATE '2016-02-29 14:36:00' THEN 1
    
17. WHEN gpppur.PREVIEW_BEGINDT '2016-02-29 14:36:00' THEN 2
    
18. ELSE 3 END AS flag,
    
19. gpppur.*
    
20. FROM T_MPS_INFO gpppur
    
21. WHERE gpppur.ATTRACT_TP = "..ATTRACT_TP.."
    
22. AND gpppur.COLUMN_ID = "..COLUMN_ID.."
    
23. AND gpppur.FIELD2 = "..FIELD2.."
    
24. AND gpppur.STATUS = "..STATUS.."
    
25. ORDER BY flag ASC,gpppur.PC_SORT_NUM ASC,gpppur.GB_BEGINDATE DESC
    
26. LIMIT 45")
    
27. end

然后用sysbench进行压测，结果在32并发时测得的qps是64。

1. [root@rh6375Gt20150507 ~]# sysbench --db-driver=mysql --test=/opt/sysbench-0.5/sysbench/tests/db/qx.lua --mysql-db=test --mysql-user=mysql --mysql-password=mysql --mysql-host=srdsdevapp69 --num-threads=32 --max-time=5 run
2. sysbench 0.5: multi-threaded system evaluation benchmark
4. Running the test with following options:
5. Number of threads: 32
6. Random number generator seed is 0 and will be ignored
9. Threads started!
11. OLTP test statistics:
12. queries performed:
13. read: 825
14. write: 0
15. other: 0
16. total: 825
17. transactions: 0 (0.00 per sec.)
18. read/write requests: 825 (64.20 per sec.)
19. other operations: 0 (0.00 per sec.)
20. ignored errors: 0 (0.00 per sec.)
21. reconnects: 0 (0.00 per sec.)
23. General statistics:
24. total time: 12.8496s
25. total number of events: 825
26. total time taken by event execution: 399.6003s
27. response time:
28. min: 1.01ms
29. avg: 484.36ms
30. max: 12602.74ms
31. approx. 95 percentile: 222.79ms
33. Threads fairness:
34. events (avg/stddev): 25.7812/24.12
35. execution time (avg/stddev): 12.4875/0.23

4.2 优化后的查询

对于上面那个特定的SQL虽然我们可以通过建一个包含所有等值查询条件中4个字段(ATTRACT_TP,COLUMN_ID,FIELD2,STATUS)的组合索引进行优化，但是需要说明的是，这条SQL只是各种查询组合产生的1000多种不同SQL中的一个，每个SQL涉及的查询字段的组合是不一样的，我们不可能为每种组合都单独建一个多字段索引。
所以我们想到了PostgreSQL的gin索引。为了使用PostgreSQL的gin索引，先把MySQL的表定义，索引和数据原封不动的迁移到PostgreSQL。
在添加gin索引前，先做了一个测试。另人惊讶的是，还没有开始进行优化，PostgreSQL测出的性能已经是MySQL的5倍(335/64=5)了。

1. [root@rh6375Gt20150507 ~]# sysbench --db-driver=pgsql --test=/opt/sysbench-0.5/sysbench/tests/db/qx.lua --pgsql-db=postgres --pgsql-user=postgres --pgsql-password=postgres --pgsql-host=srdsdevapp69 --num-threads=32 --max-time=5 run
   
2. sysbench 0.5: multi-threaded system evaluation benchmark
   
3. 
   
4. Running the test with following options:
   
5. Number of threads: 32
   
6. Random number generator seed is 0 and will be ignored
   
7. 
   
8. 
   
9. Threads
   
10. 
    
11. OLTP test statistics:
    
12. queries performed:
    
13. read: 1948
    
14. write: 0
    
15. other: 0
    
16. total: 1948
    
17. transactions: 0 (0.00 per sec.)
    
18. read/write requests: 1948 (335.52 per sec.)
    
19. other operations: 0 (0.00 per sec.)
    
20. ignored errors: 0 (0.00 per sec.)
    
21. reconnects: 0 (0.00 per sec.)
    
22. 
    
23. General statistics:
    
24. total time: 5.8059s
    
25. total number of events: 1948
    
26. total time taken by event execution: 172.0538s
    
27. response time:
    
28. min: 0.90ms
    
29. avg: 88.32ms
    
30. max: 2885.69ms
    
31. approx. 95 percentile: 80.01ms
    
32. 
    
33. Threads fairness:
    
34. events (avg/stddev): 60.8750/27.85
    
35. execution time (avg/stddev): 5.3767/0.29

下一步，添加gin索引。

1. postgres=# create extension btree_gin;
   
2. CREATE EXTENSION
   
3. postgres=# create index idx3 on t_mps_info using gin(attract_tp, column_id, field2, status);
   
4. CREATE INDEX

再进行压测，测出的qps是5412，是MySQL的85倍(5412/64=85)。

1. [root@rh6375Gt20150507 ~]# sysbench --db-driver=pgsql --test=/opt/sysbench-0.5/sysbench/tests/db/qx.lua --pgsql-db=postgres --pgsql-user=postgres --pgsql-password=postgres --pgsql-host=srdsdevapp69 --num-threads=32 --max-time=5 run
   
2. sysbench 0.5: multi-threaded system evaluation benchmark
   
3. 
   
4. Running the test with following options:
   
5. Number of threads: 32
   
6. Random number generator seed is 0 and will be ignored
   
7. 
   
8. 
   
9. Threads
   
10. 
    
11. OLTP test statistics:
    
12. queries performed:
    
13. read: 10000
    
14. write: 0
    
15. other: 0
    
16. total: 10000
    
17. transactions: 0 (0.00 per sec.)
    
18. read/write requests: 10000 (5412.80 per sec.)
    
19. other operations: 0 (0.00 per sec.)
    
20. ignored errors: 0 (0.00 per sec.)
    
21. reconnects: 0 (0.00 per sec.)
    
22. 
    
23. General statistics:
    
24. total time: 1.8475s
    
25. total number of events: 10000
    
26. total time taken by event execution: 58.2706s
    
27. response time:
    
28. min: 0.95ms
    
29. avg: 5.83ms
    
30. max: 68.36ms
    
31. approx. 95 percentile: 9.42ms
    
32. 
    
33. Threads fairness:
    
34. events (avg/stddev): 312.5000/47.80
    
35. execution time (avg/stddev): 1.8210/0.02

4.3 补充

作为对比，我们又在MySQL上添加了包含attract_tp, column_id, field2和status这4个字段的多字段索引，测出的qps是4000多，仍然不如PostgreSQL。可见业界广为流传的MySQL的简单查询性能优于PostgreSQL的说法不可信！(对于复杂查询PostgreSQL的性能大大优于MySQL应该是大家的共识。我例子中的SQL不能算是复杂查询吧？)

5. 总结

gin索引(还包括类似的gist,spgist索引)是PostgreSQL的一大特色，基于它可以挖掘出很多好玩的用法。对于本文提到的场景，有兴趣的同学可以把它和Oracle的bitmap索引以及基于搜索引擎(Elasticsearch，Solr等)的方案做个对比。另外，本人所知有限，如果有其它更好的方案，希望能让我知道。

http://www.bkjia.com/PHPjc/1108026.htmlwww.bkjia.comtruehttp://www.bkjia.com/PHPjc/1108026.htmlTechArticle高并发低基数多字段任意组合查询的优化 1.问题 首先解释一下这个标题里出现的"低基数多字段任意组合查询"指什么东西。这里是指满足下...