rocksDB 在huagegraph 中应该有很重要的定位：
- 作为高性能的存储，在性能测试中可以与 nebula 做有意义的对比；这个自己也可以在后续做一下，看看同时使用rocksdb 和nebula kv 相比性能怎么样，目前各个厂家 在对比 hugegraph vs nebula 时候，都是用 cassandra vs rocksdb，说实话参考性不是那么强；
- 结合raft +rocksdb ，可以构建真正意义的高可用集群，hugegraph server + rocksdb在一个机器上，能大幅度提升性能
- 所以 rocksdb 应该是 追求性能的首选，也是hugegraph 走向开源商业化的选择
在现有0.11的版本中，我们看到了hugegraph做了优化，之前0.10版本中， 一个节点存储，可能需要存储多个 key-value,[包含属性，以Id作为前缀]，使得查询和存储的负担都变大， 目前已经更改为 一个节点， id -> properties 的序列化； 与 nebula 存储的方式基本一致；
因为，使用的是 纯粹KV，没有 table的概念， 在实现图的model的时候，使用的columFamily 来作为隔离的； hugegraph 依旧是 使用 g_v, g_oe, g_ie 这样的表来分割数据；
public static class IndexLabel extends SchemaTable {
public static final String TABLE = HugeType.INDEX_LABEL.string();
public IndexLabel(String database) {
super(database, TABLE);
}
}
public static class Vertex extends RocksDBTable {
public static final String TABLE = HugeType.VERTEX.string();
public Vertex(String database) {
super(database, TABLE);
}
@Override
protected BackendColumnIterator queryById(Session session, Id id) {
return this.getById(session, id);
}
}
不过使用 rocksdb 做后端，运维是个大问题，貌似没有什么成熟的管理工具；只能靠图的工具。
RocksDb 的目录，m/s/g 开头，在cassandra 等中，这个作为 table的命名的前缀；rocksdb作为 目录的前缀；
public static final ConfigOption<String> STORE_SYSTEM =
new ConfigOption<>(
"store.system",
"The system table name, which store system data.",
disallowEmpty(),
"s"
);
public static final ConfigOption<String> STORE_SCHEMA =
new ConfigOption<>(
"store.schema",
"The schema table name, which store meta data.",
disallowEmpty(),
"m"
);
public static final ConfigOption<String> STORE_GRAPH =
new ConfigOption<>(
"store.graph",
"The graph table name, which store vertex, edge and property.",
disallowEmpty(),
"g"
);
因为 rocks本身没有keyspace的概念，所以每个 graph ，都会加到 columnFamily的前缀上；
ETL 的高性能尝试
之前nebula 对比 导入性能的时候，对比的是 rocksdb vs cassandra， 并且 还是使用 ingest sst file 这样的方式， 那么显而易见的是，nebula 离线导入性能会吊打 其他的数据库的；
我们知道rocksdb 插入数据是 memtable 到sstfile， 同时提供API 支持用户 自己生成 sstfile，然后ingest到rocksdb中，这样的数据就是飞快的， 我们给出以一个例子， 通过sstfile 插入数据，但是需要保证 sstFile 中的key 是严格递增的； rocksdb engine，会自动把 现有的文件， 和 ingestFile 进行merge；
public static void main(String[] args) throws RocksDBException {
RocksDB.loadLibrary();
final Random random = new Random();
final EnvOptions envOptions = new EnvOptions();
final StringAppendOperator stringAppendOperator = new StringAppendOperator();
Options options1 = new Options();
SstFileWriter fw = null;
ComparatorOptions comparatorOptions = new ComparatorOptions();
try {
options1 = options1
.setCreateIfMissing(true)
.setEnv(Env.getDefault())
.setComparator(new BytewiseComparator(comparatorOptions));
fw = new SstFileWriter(envOptions, options1);
fw.open("./sst_upload_01");
Map<String, String> data = new HashMap<>();
for (int index = 0; index < 1000; index++) {
data.put("Key-" + random.nextLong(), "Value-" + random.nextDouble());
}
List<String> keys = new ArrayList<String>(data.keySet());
Collections.sort(keys);
for (String key : keys) {
Slice keySlice = new Slice(key);
Slice valueSlice = new Slice(data.get(key));
fw.put(keySlice, valueSlice);
}
fw.finish();
} catch (RocksDBException ex) {
ex.printStackTrace();
} finally {
stringAppendOperator.close();
envOptions.close();
options1.close();
if (fw != null) {
fw.close();
}
}
try {
final Options options = new Options().setCreateIfMissing(true);
final String rocksDirectory = "./rocksdb";
final Path path = Paths.get(rocksDirectory);
RocksDB rocksDB = RocksDB.open(options, path.toString());
List<String> sst = new ArrayList<>();
sst.add("./sst_upload_01");
IngestExternalFileOptions igOptions = new IngestExternalFileOptions();
igOptions.setMoveFiles(true);
rocksDB.ingestExternalFile(sst, igOptions);
final RocksIterator iterator = rocksDB.newIterator();
for (iterator.seekToFirst(); iterator.isValid(); iterator.next()) {
System.out.println(new String(iterator.key()) +"\t" + new String(iterator.value()));
}
} catch (final Exception exception) {
System.exit(1);
}
}
通过 SST file 导入数据到 hugegraph
- 需要明确知道 hugeVertex 到 key-value的映射关系， 这个在 hugegraph-core 中的 BinaryweSerializer 有明确的方法，把图中的节点，转化成 相对应的 byte数组；
- 另外，我们需要明确定义 响应的columnFamily， 我们知道 hugegraph 底层是通过 columnFamily 来达到逻辑表的划分的；
比如 g_v 对应 图中节点数据，在 cassandra 是 keyspace_g_v, 在 rocksdb中， 是 目录 g_hugegraph_v, 这样做的隔离； - 另外，我们如果插入数据，必须要对 hugeVertex 的数据进行排序， 我们可以使用 spark 等工具，利用 sortByKey（RangePratitioner）来划分大量数据，分治排序； 目前来看， rocksdb 默认不支持读hdfs和写hdfs， 貌似要 自己编译添加hadoop支持，可以google看看这个方案； 所以我们可以封装一下，从hdfs读取文件，本地生产 sst file 再导入到 rocksdb 中；
- 另外我们可以在uploader 中 做一个patch，支持生产 sst file， 并导入到rocksdb中；
- 排序的时候，有一个ticker，就是 hugegraph 对vertex 的序列化，会对 ID加入一个长度信息，所以对于字符串ID，线比较长度，然后是字典序，需要满足这个排序；
public static void main(String[] args) throws Exception {
RocksDB.loadLibrary();
final Random random = new Random();
final EnvOptions envOptions = new EnvOptions();
final StringAppendOperator stringAppendOperator = new StringAppendOperator();
Options options1 = new Options();
SstFileWriter fw = null;
ComparatorOptions comparatorOptions = new ComparatorOptions();
options1 = options1
.setCreateIfMissing(true)
.setEnv(Env.getDefault())
.setComparator(new BytewiseComparator(comparatorOptions));
fw = new SstFileWriter(envOptions, options1);
fw.open(targetDir);
List<String> lines = FileUtils.readLines(new File(companyFile));
/// hugegraph 序列化的时候，id 第一个字符串为 id 的长度；所以在排序的时候，短ID需要在前面；
BinarySerializer ser = new BinarySerializer();
for(String line: lines){
BackendEntry entry = ser.writeVertex(parse(line));
BackendEntry.BackendColumn column = entry.columns().iterator().next();
fw.put(column.name, column.value);
}
fw.finish();
}
static HugeGraph graph = Mockito.mock(HugeGraph.class);
static HugeVertex parse(String line){
String id = line.split("@")[0];
String name = line.split("@")[1];
String eid = line.split("@")[2];
PropertyKey pname = newPropertyKey(IdGenerator.of(1), "name");
PropertyKey peid = newPropertyKey(IdGenerator.of(2), "eid");
VertexLabel vl = new VertexLabel(graph,IdGenerator.of(1),"Company");
vl.idStrategy(IdStrategy.CUSTOMIZE_STRING);
vl.properties(pname.id(),peid.id());
HugeVertex vertex = new HugeVertex(graph, IdGenerator.of(id),vl);
vertex.addProperty(pname,name);
vertex.addProperty(peid,eid);
return vertex;
}
public static PropertyKey newPropertyKey(Id id, String name) {
return newPropertyKey(id, name, DataType.TEXT, Cardinality.SINGLE);
}
public static PropertyKey newPropertyKey(Id id, String name,
DataType dataType) {
return newPropertyKey(id, name, dataType, Cardinality.SINGLE);
}
public static PropertyKey newPropertyKey(Id id, String name,
DataType dataType,
Cardinality cardinality) {
PropertyKey schema = new PropertyKey(graph, id, name);
schema.dataType(dataType);
schema.cardinality(cardinality);
return schema;
}
- 另外一个坑， hugegraph rocksdb的ingest 功能有个bug， 就是 hugegraph+s/ , 和 hugegraph+g/ 都是用的是同一个目录；
如果你的sst 文件放在 一个目录下，会被 S和 G 两个空间所ingest，结果是不对的；这个自己修改一下ingest的代码。 - ingest 的速度是真的快， 800万节点，基本上是1分钟级别；
与cassandra 导入性能测试
同一份数据集，3000万节点，5kw边，导入 cassandra/rocksdb 后端，单机；
rocksdb: 1453s，平均 5万/s。
rocksdb: 3个节点集群模式，5546s；
cassandra：4808，3被多的差距，1.6万/s的情况
3跳查询：
g.V().has('ticker','中国').out().out().out().profile()
rocksdb： 1800 ms
cassandra： 24000ms； 估计有10的性能差距；
如果使用中信证券，3跳， rocksdb 24s，cassandra120s；性能差距还是很大；
网友评论