前言

在開發(fā)中遇到一個業(yè)務訴求，需要在千萬量級的底池數據中篩選出不超過 10W 的數據，并根據配置的權重規(guī)則進行排序、打散（如同一個類目下的商品數據不能連續(xù)出現 3 次）。

下面對該業(yè)務訴求的實現，設計思路和方案優(yōu)化進行介紹，對「千萬量級數據中查詢 10W 量級的數據」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(guī)則」，從底池表中篩選出「目標數據」。
• 在根據配置的「排序規(guī)則」，對「目標數據」進行排序，得到「結果數據」。
  

技術方案如下：

• 每天運行導數任務，把現有的千萬量級的底池數據（Hive 表）導入到 Clickhouse 中，后續(xù)使用 CK 表進行數據篩選。
• 將業(yè)務配置的篩選規(guī)則和排序規(guī)則，構建為一個「篩選 + 排序」對象 SelectionQueryCondition。
  
• 從 CK 底池表取「目標數據」時，開啟多線程，進行分頁篩選，將獲取到的「目標數據」存放到 result 列表中。

//分頁大小  默認 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++) {
   //將業(yè)務配置的篩選規(guī)則和排序規(guī)則 構建為 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)) {
       // 將目標數據存放在 result 中
       result.addAll(queryRes);
   }
}

• 對目標數據 result 進行排序，得到最終的「結果數據」。
  

二、CK分頁查詢

在「初版設計方案」章節(jié)的第 3 步提到了「從 CK 底池表取目標數據時，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 表中獲得目標數據。該方法內部調用了 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 交互的 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} 實現的分頁。

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

三、使用ES Scroll Scan優(yōu)化深翻頁

對于 CK 深翻頁時候的性能問題，進行了優(yōu)化，使用 Elasticsearch 的 scroll scan 翻頁方案進行優(yōu)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，查詢不同數目的數據，耗時數據如下表。

2、耗時數據

此處，分別使用 Elasticsearch 的 scroll scan 翻頁方案、初版中的 CK 翻頁方案進行數據查詢，對比其耗時數據。

如上測試數據，可以發(fā)現，以十萬，百萬，千萬量級的底池為例。

• 底池量級越大，查詢相同的數據量，耗時越大。
• 查詢結果 3W 以下時，ES 性能優(yōu)；查詢結果 5W 以上時，CK 多線程性能優(yōu)。
  

四、ES+Hbase組合查詢方案

在「使用 ES Scroll Scan 優(yōu)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(yōu)化，但在實現時為單線程調用，所以最終測試耗時數據并不是特別理想，和 CK 翻頁方案性能差不多。

在調研階段發(fā)現，從底池中取出 10W 的目標數據時，一個商品包含多個字段的信息（CK 表中一行記錄有 150 個字段信息），如價格、會員價、學生價、庫存、好評率等。對于一行記錄，當減少獲取字段的個數時，查詢耗時會有明顯下降。如對 sku1的商品，從之前獲取價格、會員價、學生價、親友價、庫存等 100 個字段信息，縮減到只獲取價格、庫存這兩個字段信息。

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+ 條數據），獲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，一個是商品唯一標識 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，若查詢字段和信息較多，fetch 階段的耗時，遠大于 query 階段的耗時。
• 一次 ES 查詢中，若查詢字段和信息較多，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，搜索一般包括兩個階段，query 和 fetch 階段。

• query 階段

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

• fetch 階段

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

2、ES的filesystem cache

1）ES 會將磁盤中的數據自動緩存到 filesystem cache，在內存中查找，提升了速度。

2）若 filesystem cache 無法容納索引數據文件，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 的數據量小于 filesystem cache，保證查詢速度。

3、組合使用Hbase

在上文調研的基礎上，發(fā)現「減少不必要的查詢展示字段」可以明顯縮短查詢耗時。沿著這個優(yōu)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標識 sku_id（其實還包含 ES 為每條文檔記錄的 doc_id）。
• Hbase 是列存儲數據庫，每列數據有一個 rowKey。利用 rowKey 篩選一條記錄時，復雜度為 O(1)。（類似于從 HashMap 中根據 key 取 value）。
  
• 根據 ES 查詢返回的唯一標識 sku_id，作為 Hbase 查詢中的 rowKey，在 O(1) 復雜度下獲取其他信息字段，如價格，庫存等。
  

使用 ES + Hbase 組合查詢方案，在線上進行了小規(guī)模的灰度測試。在 1000W 量級的底池數據中篩選 10W 的數據，對比 CK 翻頁方案，最壞耗時從 10~18s 優(yōu)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(tǒng)復雜度，同時數據也需要同時存儲到 ES 和 Hbase。

五、RediSearch+RedisJSON優(yōu)化方案

RediSearch 是基于 Redis 構建的分布式全文搜索和聚合引擎，能以極快的速度在 Redis 數據集上執(zhí)行復雜的搜索查詢。RedisJSON 是一個 Redis 模塊，在 Redis 中提供 JSON 支持。RedisJSON 可以和 RediSearch 無縫配合，實現索引和查詢 JSON 文檔。

根據一些參考資料，RediSearch + RedisJSON 可以實現極高的性能，可謂碾壓其他 NoSQL 方案。在后續(xù)版本迭代中，可考慮使用該方案來進一步優(yōu)化。

下面給出 RediSearch + RedisJSON 的部分性能數據。

1、RediSearch 性能數據

在同等服務器配置下索引了 560 萬個文檔 (5.3GB)，RediSearch 構建索引的時間為 221 秒，而 Elasticsearch 為 349 秒。RediSearch 比 ES 快了 58%。

數據建立索引后，使用 32 個客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 性能數據

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?。╥solated 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 的搜索和讀取性能，而 ES 會受到影響。

• RedisJSON 支持的操作數/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、寫入和負載搜索延遲，在更高的百分位數中遠比 ES 和 MongoDB 穩(wěn)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(yè)務訴求觸發(fā)，對「千萬量級數據中查詢 10W 量級的數據」介紹了不同的設計方案。對于「在 1000W 量級的底池數據中篩選 10W 的數據」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(yōu)化。
  
• ES + Hbase 組合方案，最壞耗時優(yōu)化到了 3s~6s。
  
• RediSearch + RedisJSON 組合方案，后續(xù)會實測該方案的耗時。