mysql大规模数据检索优化

作者: 邹成卓 | 来源:发表于2019-04-10 19:58 被阅读0次

原文发布在我的个人博客上:https://zoucz.com/blog/2019/04/09/778111e0-5aa2-11e9-9947-3d7b79f522a2/
业务中遇到如下场景：每天有400W条左右的数据需要存储，随后使用的时候需要根据一批字段进行检索，且支持分类，其中包含普通字段的检索、模糊匹配、按时间范围检索，需要支持三个月内的数据检索。

1.存储和检索方案

mysql单表数据量在过千万之后，读写性能会下降的比较厉害，而该业务场景下，每天产生的时候都有400W条左右，算下来一个月得有1.2亿条数据，三个月就是3.6亿条。

说起来，这个量级的数据的检索，用mysql来做，本身是一件不科学的事情，应该采用Elasticsearch等比较专业的检索引擎组件，但是Elasticsearch中本身只适合用需要检索的字段来构建索引，而不适合把其它结构化数据也存到其中，最终不需要检索的数据还是计划存放于mysql。所以，还是计划在mysql上挣扎一下，看看能不能通过各种骚操作来达到一个基本可用的效果，作为Elasticsearch的降级方案，回头发现无法支撑需求，再删掉mysql的索引，升级为Elasticsearch的索引。

数据的存储问题是比较好解决，也没啥其它的选择，每天400W条数据，按天分表存储即可。

但是这种存储方案下，检索就成了个大问题。需要检索的字段有四类：guid(普通字段检索)、qua(英文模糊匹配)、content(中文模糊匹配)、create_time（时间段检索）。

总结一下，面临的问题有：普通字段检索、中/英文模糊匹配、按时间范围检索、分页统计。

2.普通字段检索

普通字段如guid等，只需要建上Normal的Hash/BTree索引，即可快速检索。

3.模糊匹配

有俩字段需要做模糊匹配检索，qua主要是字母数字标点组成：key1=val1&key2=val2&key3=3.32555&key4=0.325&key5=val5；content内容为中文句子，需要用其中的词语模糊匹配。

直接用 field like '%keyword%'来做模糊匹配，在数据量比较小的时候是OK的，然而，在构造了单表400W条数据的情况下：

image.png
一次like匹配，时间是13秒，这是无法接受的，必须要做分词建倒排索引，mysql通过fulltext index来支持这种场景。

3.1 fulltext index

首先看key1=val1&key2=val2&key3=3.32555&key4=0.325&key5=val5，需要用key1=val1、key3=3.32555这样的键值对来做模糊匹配，可以对此字段建fulltext索引。那么如何确定mysql确实建立了对的索引呢？

参考mysql关于这部分的文档 https://dev.mysql.com/doc/refman/5.7/en/innodb-information-schema-fulltext_index-tables.html

SET GLOBAL innodb_ft_aux_table = 'test/articles';
SELECT * FROM INFORMATION_SCHEMA.INNODB_FT_INDEX_CACHE LIMIT 50;

用上面的sql就可以看到分词结果了

image.png

可以发现，默认的分词规则下，&、=、.都会被用于分词规则，建立索引，而非以key=val这样一个整体来分词建索引，当我们用key=val检索的时候，大概率是得不到想要的结果的，val部分单独拿出来检索可能匹配出很多不合要求的结果。

这里的需求其实是只按照&来分词建索引，那么有两种方案：

根据业务特点设计trick，如key和val中都不会出现_，而经测试_不会被fulltext默认分词引擎用于分词，可以将此字段中的=、.分别用 __、_来替换，检索的时候用同样的方案替换后检索
使用自定义的分词引擎，后续会提到

这两种方案根据具体项目环境选择一种，都算是解决了。[ 图简单当然是第一种好了:) ]

3.2 fulltext index 中文分词

qua的模糊匹配搞定了，现在看content字段的模糊匹配，在3.1中创建的测试表中插入一条中文句子这是太空探测器在枯寂的宇宙中捕捉到的一幅极其震撼的画面，再用其中的分词索引一下:

image.png

可以发现，居然查不任何结果，而用like模糊匹配是有结果的。用3.1中提到的方法查一下索引内容：

image.png

可以发现，并没有像我们想象中的为中文分词建倒排索引，而是把整个句子作为一个分词了。这是因为mysql的fulltext index默认是不支持中文编码的分词的，中文编码分词比英文复杂的多，英文只需要按空格、标点来分词就好，但是中文就必须分析语义了。。。

好在mysql5.7之后的版本，已经支持了fulltext的中文分词功能。
在创建表的时候

CREATE TABLE `t_t2` (
  `id` int(8) NOT NULL AUTO_INCREMENT,
  `content` varchar(512) NOT NULL DEFAULT '',
  PRIMARY KEY (`id`,`content`),
  FULLTEXT KEY `ix_content` (`content`)  WITH PARSER `ngram`  
) ENGINE=InnoDB AUTO_INCREMENT=7440063 DEFAULT CHARSET=utf8;

或者修改表添加索引

alter table t_t2 add fulltext index ix_content(content) with parser ngram;
create fulltext index idx_content on t_t2(content) with parser ngram;

在这里我从网上下载了几十本中文小说，然后将内容按行、按标点分割成了几百万条短句，插入一张测试表的中文分词字段中，再查询一下索引内容：
可以发现已经按词进行分词了，这里要注意的是默认最小分词长度是2

image.png
也就是说用一个汉字去检索是查不到结果的，至少要两字词语。如果有需求变更的话，也在启动mysql的时候

mysqld --ngram_token_size=2

或者修改mysql配置文件

[mysqld] 
ngram_token_size=2

来修改这个token长度

在这张400W大小的表里边，对content字段分别用like和fulltext索引查询速度对比如下：

image.png

效果十分显著。

此外，match against还支持boolean mode和natural language mode，against里边的关键词也支持各种条件组合，业务中使用有需求的时候可以去查阅文档了解一下。

3.3 fulltext 自定义分词

mysql5.7支持自定义分词插件，如果实在有难搞的特殊需求，可以自己开发、安装插件。教程见mysql文档https://dev.mysql.com/doc/refman/5.7/en/writing-full-text-plugins.html

4.时间范围检索

时间字段有两种模式，一种是需要检索的表中字段只有一个，create_time，检索方式是 time1 < create_time < time2；另一种是表中字段有两个，start_time、end_time，检索方式是start_time > time1 and/or end_time < time2

4.1单时间字段检索

这里构造了两张表，一张的时间字段是不包含索引的，另一张的时间字段建上普通的btree索引，然后查询对比：

image.png
发现加上普通的btree索引后，查询的速度已经很不错了，已经不需要额外的优化手段。

4.2多字段时间范围检索

我面临的业务场景中，实际上是4.1中的单字段时间检索，不过在网上查资料的时候，发现start_time > time1 and/or end_time < time2这种多字段时间范围检索，在某些情况下并没有那么简单。
话不多说，先试一把，还是构造一个包含start_time、end_time，两个字段的表，插入400W条数据，测试：

image.png
这结果，有点不忍直视了，说好的btree索引范围查询效率高呢？只是查了10条数据啊，查了俩btree，速度就慢了3个数量级？用optimizer_trace分析一下吧：

set optimizer_trace="enabled=on";
EXPLAIN SELECT SQL_NO_CACHE * from t_time_range where start_time>'2019-03-08 12:12:11' and end_time<'2019-03-08 12:12:30' limit 0,10;
select * from information_schema.optimizer_trace;

截取结果的关键部分：

"range_scan_alternatives": [
  {
    "index": "idx_start",
    "ranges": [
      "0x99a290c30b < start_time"
    ],
    "index_dives_for_eq_ranges": true,
    "rowid_ordered": false,
    "using_mrr": false,
    "index_only": false,
    "rows": 2060603,
    "cost": 2.47e6,
    "chosen": true
  },
  {
    "index": "idx_end",
    "ranges": [
      "NULL < end_time < 0x99a290c31e"
    ],
    "index_dives_for_eq_ranges": true,
    "rowid_ordered": false,
    "using_mrr": false,
    "index_only": false,
    "rows": 2060603,
    "cost": 2.47e6,
    "chosen": false,
    "cause": "cost"
  }
]

这意味着什么呢？可以看到start_time的索引被选用了，返回2060603条数据，而end_time的索引没有被使用，需要在mysql server中用NULL < end_time < 0x99a290c31e这个条件再去过滤那2060603条数据，所以为了找到这10条数据，做了2060603此数据比对，这速度...

从explain本身输出的信息中也可见端倪：

image.png

前者用索引就搞定了，所以速度飞快，而后者用了start_time的索引，再去using where，即去索引结果中扫描行。

利用mysql空间索引可以优化这种时间范围的检索。基本思路是，将每条数据的start_time、end_time转换为秒级时间戳，然后创建一个LineString字段，以start、end分别为起点和终点表示一个LineString。最终检索的时候，使用MBR空间检索函数来得到想要的记录，如MBRContains、MBRWithin、MBRIntersects、MBREqual、MBROverlaps、MBRTouches、MBRDisjoint等。

创建一张含有LineString字段和空间索引的表：

CREATE TABLE `t_time_range` (
  `id` int(8) NOT NULL AUTO_INCREMENT,
  `start_time` datetime DEFAULT NULL,
  `end_time` datetime DEFAULT NULL,
  `time_range` linestring NOT NULL,
  PRIMARY KEY (`id`),
  KEY `idx_start` (`start_time`) USING BTREE,
  KEY `idx_end` (`end_time`) USING BTREE,
  SPATIAL KEY `idx_range` (`time_range`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8;

也可以通过修改表来添加spatial空间索引

create spatial index idx_range on t_time_range(time_range);

然后插入测试数据400W条，例子如下，LineString的起点、终点分别是start_time、end_time的时间戳：

insert t_time_range(start_time, end_time, time_range) values ('2019-04-10 13:00:00','2019-04-10 13:00:10',LineString(Point(-1, 1554872400), Point(1,1554872410)));

最后，使用空间检索函数：

SELECT SQL_NO_CACHE * from t_time_range where start_time>'2019-03-08 12:12:11' and MBRWithin(time_range, LineString(Point(-1, UNIX_TIMESTAMP('2019-03-08 12:12:11')), Point(1, UNIX_TIMESTAMP('2019-03-08 12:12:30'))));

image.png

耗时回到了8ms！

根据不同的时间区间组合规则，检索函数应该在MBRContains、MBRWithin、MBRIntersects、MBREqual、MBROverlaps、MBRTouches、MBRDisjoint之间灵活选择，各函数范围图示如下：

image.png
(图片来自于这里)

5.分页统计count

在我的业务场景下，分页统计最麻烦的一点就是总量统计，难点在于：1.单表数据量大 2.按天分表，表数量太多。
无任何检索条件下的单表总量count，由于单表数据量也是挺大的，速度并不是很快

image.png

这没法接受啊，好在目前的业务场景下，数据是只会不断写入，不会修改、删除，所以这里引入一个trick，数据用一个自增的int型id作为主键，每次需要count全表的时候，查出最新一条数据的id即可，耗时1ms...

而在经过上面一通建索引之后，带索引字段的count数量已经很快了，这里在代码中按日期异步分批count，然后综合，速度上也还是可以接受的。

mysql大规模数据检索优化

1.存储和检索方案

2.普通字段检索

3.模糊匹配

3.1 fulltext index

3.2 fulltext index 中文分词

3.3 fulltext 自定义分词

4.时间范围检索

4.1单时间字段检索

4.2多字段时间范围检索

5.分页统计count

相关文章

网友评论

延伸阅读

深度阅读

栏目导航

热点阅读