前言
數據庫性能對軟件整體性能有著至關重要的影響,本文給大家分享了一次MongoDB數據庫查詢性能提高40倍的經歷,感興趣的朋友們可以參考學習。
背景說明
1、數據庫:MongoDB
2、數據集:
3、業務場景:求平均數
進化過程
在這裡使用Python演示
最直接想到的方法
根據上面的業務場景描述,最容易想到的解決方法就是
from pymongo import MongoClient # 連接數據庫 db = MongoClient('mongodb://127.0.0.1:27017')['my_db'] # 簡化的查詢數據集A的條件 filter = {...} # 查詢Collection A a_cursor = db.a.find(_filter) a_docs = [x for x in a_cursor] # 變量的初始定義 count = 0 total = 0 # 加入需要用到的元素為第21個 index = 20 # 查詢Collection B,同時做累加 for a_doc in a _docs: b_doc = db.b.find_one({'uid':a_doc['uid'], 'date': a_doc['date']}) # 只有能查到相應的結果時,才可以 if b_doc is not None: total += b_doc['actions'][20]['number'] count += 1 # 求平均數 if count > 0 : avg = total/count
實現難度當然是最低的,可是整個任務在第一步只有1萬條左右的返回時,消耗的時間竟然達到了驚人38秒。當然這是已經加了索引的結果,否則可能都無法得到結果了。
減少查詢次數
瓶頸顯而易見,在循環中查詢Collection B,增加了網絡開銷,自然也就增加時間,如果一次查詢出所有結果,自然會大大提高效率。也就是說,我要把第一步的結果作為條件一次性傳遞,做一個$in操作。可是怎麼才能做到呢?如果在uid和date上分別做$in操作,那麼返回的結果就會是二者單獨做$操作的合集,很顯然這和要求是不符的。
經過上面的分析,似乎進入了死胡同。其實答案也基本顯現了,需要有一個字段可以滿足上面的要求,那麼這個字段就是uid和date的合體,就命名為uid_date。uid_date是一個新字段,在B中並不存在,在使用之前需要將數據庫現有的數據做一下處理。
處理完畢改造程序:
# 下面的只體現和本次修改相關的內容 uid_date_list = [] for a_doc in a_docs: uid_date_list.append(a_doc['uid'] + '_' + a_doc['date']) # 查詢B b_cursor = db.b.find({'uid_date':{'$in':uid_date_list}}) # 下面就是取出結果,求平均數 ...
這一番改造頗費時間,主要是前期的數據處理。代碼改造完畢,執行下看看吧。
可是,可是…… 45秒
我做錯了什麼?!
增加返回記錄數
我還是堅信上面的優化思路是對的,現在看看數據庫能給一些什麼線索吧。
登錄到數據庫服務器,找到MongoDB的日志/data/mongodb/logs/mongod.log。仔細查找,發現在查詢數據集B時有很多getMore命令。這就奇怪了,我是一次性查詢,為什麼還有getMore。
趕緊查下官方的文檔,然後發現了下面的內容:
batcSize參數指定了每次返回的個數,默認的101個。那看來這個應該是問題所在。找下pymongo的文檔,也可以設置這個參數,那就設個大的吧10000。
再次改造程序如下:
# 增加batch_size b_cursor = db.b.find({'uid_date':{'$in': uid_date_list}}, batch_size=10000)
這次總該可以了。
嗯,好了一些,降到了20秒左右。可是,這離1秒只能還差距20倍呢。
返回值減負
當日不能放棄,繼續通過日志查找線索,發現還是有很多getMore。通過各方查找,發現mongodb每次最多返回16M的記錄,通過getMore日志的比對,發現的確如此。由於B中每條記錄的過去龐大,每次只能幾百條記錄,因此要一次多返回,那就必須要減少每次返回的記錄數。因為在計算時,只用了特定索引位置上的數據,所以只返回該條記錄就可以了。
最後的代碼就不再寫了,具體可以參考官方文檔的實例。
總結
以上就是這篇文章的全部內容了,希望本文的內容對大家的學習或者工作能帶來一定的幫助,如果有疑問大家可以留言交流。