绑定完请刷新页面
取消
刷新

分享好友

×
取消 复制
数据库存储选型经验总结
2022-11-03 17:38:52

工作中总是遇到数据存储相关的 Bug 工单,新需求开发设计中也多多少少会有数据模型设计和存储相关的问题。经过几次存储方案设计选型和讨论后发现需要有更全面的思考框架。

  • 日常开发中常用的存储方案选型很多都是 “拿来主义” 的,凭借着经验、习惯选用,但对它们的细节特性或约束少有研究。

  • 除了手边会用的存储方案,也应该关注市面上更合适的存储方案。

  • 一定的技术预研和储备能够帮助未来更好的技术方案设计。

故写了这篇文章,抛出我的观察和思考,希望日后可以将一些更先进 (合适) 的技术引入公司业务,助力业务发展。

存储选型的考虑要素

存储选型的目的还是为了我们的使用场景和用户服务,因此在选型前需要回答一些业务指标 & 技术指标方面的问题,以便于我们清楚存储选型的应用环境。

  • 用户量:用户量预估多少?几百几万还是几亿?

  • 数据量:数据量预估多少?日均增量能有多少?

  • 读写偏好:数据是读多一些还是写多一些?

  • 数据场景:强事务型还是分析型需求?

  • 运行性能要求:并发量是多少?高峰、平均、低谷分别预估是多少?

存储引擎分类及特性

数据库的分类方式非常多样,因参考维度不同而存在较大差异,下面是常见的一些分类。

数据库类型 常见数据库
关系型 MySQL、Oracle、DB2、SQLServer 等。
非关系型 Hbase、Redis、MongodDB 等。
行式存储 MySQL、Oracle、DB2、SQLServer 等。
列式存储 Hbase、ClickHouse 等。
分布式存储 Cassandra、Hbase、MongodDB 等。
键值存储 Memcached、Redis、MemcacheDB 等。
图形存储 Neo4J、TigerGraph 等。
文档存储 MongoDB、CouchDB 等。

先拿我们熟悉的关系数据库来说,它的优点非常多,我们选用关系数据库的理由可简单概括为以下几点:

1 容易理解

可由二维表结构来逻辑表达,相对网状、层次等其他模型更加容易被理解。严格遵循数据格式与长度规范,数据以行为单位,一行数据表示一个实体信息,每一行数据的属性都是相同的。

2 事务特性

支持 ACID 特性,可以维护数据之间的一致性,这是使用关系数据库非常重要的一个理由。

3 操作方便

通用的 SQL 语言使得操作关系型数据库非常方便,支持 join 等复杂查询,Sql + 二维关系是关系型数据库无可比拟的优点,这种易用性非常贴近开发者。

4 数据稳定

数据持久化到磁盘,没有丢失数据风险。

5 服务稳定

常用的关系型数据库产品 MySql、Oracle 服务器性能卓越,服务稳定,通常很少出现宕机异常。

然而,在享受关系数据库带来的便利的同时,我们也不得不面临很多麻烦的问题:

1 高并发下数据库瓶颈明显

数据按行存储,即使只针对某一列进行运算,也会将整行数据从存储设备中读入内存,导致 IO 较高。写入更新频繁的情况下,数据库往往会出现 CPU 飙高、Sql 执行慢、客户端报数据库连接池不够等异常情况,且性能瓶颈通过加 CPU、换固态硬盘、继续买服务器加数据库做分库等方式处理 ROI 不高,受限于其本身的特点,可能花了很多钱都未必能达到想要的效果。因此例如万人秒杀这种场景,我们不可能通过数据库直接去扣减库存,需要做好流量漏斗。

2 为维护数据一致性付出的代价大

数据一致性是关系型数据库的核心,但是同样为了维护数据一致性的代价也非常大。SQL 标准为事务定义了不同的隔离级别,从低到高依次是读未提交、读已提交、可重复度、串行化,事务隔离级别越低,可能导致的并发异常越多,但是能提供的并发能力越强。那么为了保证事务一致性,数据库就需要提供并发控制与故障恢复两种技术,前者用于减少并发异常,后者可以在系统异常的时候保证事务与数据库状态不会被破坏。对于并发控制,其核心思想就是加锁,无论是乐观锁还是悲观锁,只要提供的隔离级别越高,那么读写性能必然会受影响。

3 为维护索引付出的代价大

为了提供丰富的查询能力,通常热点表都会有多个二级索引,一旦有了二级索引,数据的新增必然伴随着所有二级索引的新增,数据的更新也必然伴随着所有二级索引的更新,这不可避免地降低了关系型数据库的读写能力,且索引越多读写能力越差。除了数据文件不可避免地占空间外,索引占的空间其实也并不少。

4 水平扩展后带来的种种问题难处理

随着业务规模扩大,一种方式是对数据库做分库,做了分库之后,数据迁移(1 个库的数据按照一定规则打到 2 个库中)、跨库 join、分布式事务处理都是需要考虑的问题,尤其是分布式事务处理,业界当前都没有特别好的解决方案。

5 全文搜索功能弱

例如 like “% 新年快乐 %”,只能搜索到 “新年快乐,爱大家”,无法搜索到 “新年真是太快乐了,爱大家” 这样的文本,即不具备分词能力,且 like 查询在 “% 新年快乐” 这样的搜索条件下,无法命中索引,将会导致查询效率大大降低。

6 表结构扩展不方便

由于数据库存储的是结构化数据,因此表结构 schema 是固定的,扩展不方便,如果需要修改表结构,需要执行 DDL(data definition language)语句修改,修改期间会导致锁表,部分服务不可用。


如上文所分析的,关系型数据库优点明显,缺点同样不能忽视,因此通常在企业规模不断扩大的情况下,不会一味指望通过增强数据库的能力来解决数据存储问题,而是会引入其他存储,也就是我们说的 NoSql。

NoSql 的全称为 Not Only SQL,泛指非关系型数据库,是对关系型数据库的一种补充,特别注意补充这两个字,这意味着 NoSql 与关系型数据库并不是对立关系,二者各有优劣,取长补短,在合适的场景下选择合适的存储引擎才是正确的做法。

下面看一下常用的 NoSql 及他们的代表产品,并对每种 NoSql 的优缺点和适用场景做一下分析,便于熟悉每种 NoSql 的特点,方便技术选型。

KV 型 NoSql(代表 —-Redis)

KV 型 NoSql 顾名思义就是以键值对形式存储的非关系型数据库,是常见的一种 NoSql。Redis、MemCache 是其中的代表,Redis 又是 KV 型 NoSql 中应用广泛的 NoSql,KV 型数据库以 Redis 为例,大的优点总结下来主要有两点:

  • 数据基于内存,读写效率高

  • KV 型数据,时间复杂度为 O(1),查询速度快

所以说,KV 型 NoSql 大的优点就是高性能,利用 Redis 自带的 BenchMark 做基准测试,TPS 可达到 10 万的级别,性能非常强劲。同样的 Redis 也有所有 KV 型 NoSql 都有的比较明显的缺点:

  • 内存是有限的,无法支持海量数据存储

  • 只能根据 K 查 V,无法根据 V 查 K

  • 查询方式单一,只有 KV 的方式,不支持条件查询,多条件查询的做法就是数据冗余,但这会浪费很多存储空间

  • 由于 KV 型 NoSql 的存储是基于内存的,会有丢失数据的风险(有持久化存储方案)

    综上所述,KV 型 NoSql 合适的场景就是缓存的场景:

    • 读远多于写

    • 没有持久化的需求,可以容忍数据丢失

    针对那些读远多于写的数据,引入一层缓存,每次读从缓存中读取,缓存中读取不到,再去数据库中取,取完之后再写入到缓存,对数据做好失效机制通常就没有大问题了。通常来说,缓存是性能优化的选择也是见效明显的方案。

    搜索型 NoSql(代表 —-ElasticSearch)

    传统关系型数据库主要通过索引来达到快速查询的目的,但是在全文搜索的场景下,索引是无能为力的,like 查询无法满足所有模糊匹配需求,使用限制太大且使用不当容易引起慢查询问题,搜索型 NoSql 的诞生正是为了解决关系型数据库全文搜索能力较弱的问题,ElasticSearch 是搜索型 NoSql 的代表产品。

    全文搜索的原理是倒排索引,我们看一下什么是倒排索引,它是关键字 –> 文档的映射,举例来说,现在这里有四个短句:

    • "Tom is Tom"

    • "Tom is my friend"

    • "Thank you, Betty"

    • "Tom is Betty's husband"

    搜索引擎会根据一定的分词规则将一句话切成多个关键字,并以关键字的维度维护关键字在每个文本中的出现次数。这样下次搜索“Tom”关键字的时候,由于 Tom 这个词语在“Tom is Tom”、“Tom is my friend”、“Tom is Betty’s husband” 三句话中都出现过,因此这三条记录都会被检索出来,而且由于”Tom is Tom” 这句话中”Tom” 出现了 2 次,因此这条记录对”Tom” 这个单词的匹配度高,先展示。这就是搜索引擎倒排索引的基本原理,假设某个关键字在某个文档中出现,那么倒排索引中有两部分内容:

    • 文档 ID

    • 该关键字在该文档中出现的位置情况

    相对应的,我们搜索”Betty Tom” 这两个词语也是一样,搜索引擎将”Betty Tom” 切分为”Tom”、”Betty” 两个单词,根据开发者指定的满足率,比如满足率 = 50%,那么只要记录中出现了两个单词之一的记录都会被检索出来,再按照匹配度进行展示。

    搜索型 NoSql 以 ElasticSearch 为例,它的优点为:

    • 支持分词场景、全文搜索,这是区别于关系型数据库大特点

    • 数据写文件无丢失风险,在集群环境下可以方便横向扩展,可承载 PB 级别的数据

    • 支持条件查询,支持聚合操作,类似关系型数据库的 Group By,但是功能更加强大,适合做数据分析

    • 高可用,自动发现新的或者失败的节点,重组和重新平衡数据,确保数据是安全和可访问的

    同样,ElasticSearch 也有比较明显的缺点:

    • 性能全靠内存来顶,也是使用的时候需要注意的点,非常吃内存,大数据量下 64G + SSD 基本就是标配,相同的配置多一倍内存,一个月差不多就要多花好多钱。至于 ElasticSearch 内存主要用在以下几个地方:

      • Indexing Buffer----ElasticSearch 基于 Luence,Lucene 的倒排索引是先在内存里生成,然后定期以 Segment File 的方式刷磁盘的,每个 Segment File 实际就是一个完整的倒排索引

      • 各类缓存 ----Filter Cache、Field Cache、Indexing Cache 等,用于提升查询分析性能,例如 Filter Cache 用于缓存使用过的 Filter 的结果集

      • Segment Memory---- 倒排索引前面说过是基于关键字的,Lucene 在 4.0 后会将所有关键字以 FST 这种数据结构的方式将所有关键字在启动的时候全量加载到内存,加快查询速度,官方建议至少留系统一半内存给 Lucene

      • Cluter State Buffer----ElasticSearch 被设计为每个 Node 都可以响应用户请求,因此每个 Node 的内存中都包含有一份集群状态的拷贝,一个规模很大的集群这个状态信息可能会非常大

    • 数据结构灵活性不高,字段一旦建立就没法修改类型了,假如建立的数据表某个字段没有加全文索引,想加上,那么只能把整个表删了再重建。

    • 读写之间有延迟,写入的数据差不多 1s 样子会被读取到(数据写入时需要维护很多索引)

    因此,搜索型 NoSql 适用的场景就是有条件搜索尤其是全文搜索的场景,作为关系型数据库的一种替代方案,通常搜索型 NoSql 也会作为一层前置缓存,来对关系型数据库进行保护。

    此外,搜索型数据库还有一种非常重要的应用场景。我们可以想,一旦对数据库做了分库分表后,原来可以在单表中做的聚合操作、统计操作是否统统失效?例如我把订单表分 16 个库,1024 张表,那么订单数据就散落在 1024 张表中,我想要统计昨天浙江省单笔成交金额高的订单是哪笔如何做?这就是搜索型 NoSql 的另一大作用了,我们可以把分表之后的数据统一打在搜索型 NoSql 中,利用搜索型 NoSql 的搜索与聚合能力完成对全量数据的查询。

    列式 NoSql(代表 —-HBase)

    列式 NoSql 和关系型数据库一样都有主键的概念,区别在于关系型数据库是按照行组织的数据,数据字段即使没有值同样占空间,列式存储完全是另一种方式,它是按列进行数据组织的,好处在于:

    • 查询时只有指定的列会被读取,不会读取所有列

    • 存储上节约空间,空值不会被存储,一列中有时候会有很多重复数据(尤其是枚举数据,性别、状态等字段),这类数据可压缩

    • 列数据被组织到一起,一次磁盘 IO 可以将一列数据一次性读取到内存中

    大数据时代具代表性的技术之一 HBase 就是列式 NoSQL 的产品实现,其优点主要是:

    • 海量数据存储,PB 级别数据随便存,底层基于 HDFS(Hadoop 文件系统),数据持久化

    • 读写性能好,只要没有滥用造成数据热点,读写基本没任何问题

    • 横向扩展在关系型数据库及非关系型数据库中都是方便的之一,只需要添加新机器就可以实现数据容量的线性增长,且可用在廉价服务器上,节省成本

    • 可存储结构化或者半结构化的数据

    • 本身没有单点故障,可用性高

    • 列数理论上无限制,HBase 本身只对列族数量有要求,建议 1~3 个

    缺点主要表现在:

    • HBase 是 Hadoop 生态的一部分,因此它本身是一款比较重的产品,依赖很多 Hadoop 组件,数据规模不大没必要用,运维还是有点复杂的。

    • 不支持分页查询,因为统计不了数据总数。

    • KV 式存储,条件查询很弱,HBase 在 Scan 扫描一批数据的情况下还是提供了前缀匹配这种 API 的,条件查询除非定义多个 RowKey 做数据冗余。

    因此 HBase 比较适用于 KV 型存储且未来无法预估数据增长量的场景,另外 HBase 使用还是需要一定的经验,主要体现在 RowKey 的设计上。

    文档型 NoSql(代表 —-MongoDB)

    文档型 NoSql 指的是将半结构化数据存储为文档的一种 NoSql,文档型 NoSql 通常以 JSON 或者 XML 格式存储数据,因此文档型 NoSql 是没有 Schema 的,由于没有 Schema 的特性,我们可以随意地存储与读取数据,因此文档型 NoSql 的出现是解决关系型数据库表结构扩展不方便的问题的。

    MongoDB 是文档型 NoSql 的代表产品,同时也是所有 NoSql 产品中的明星产品之一,它的很多概念与关系数据库类似,因此,对于 MongDB,我们只需要理解成一个 Free-Schema 的关系型数据库就好了,其优点主要是:

    • 没有预定义的字段,扩展字段容易

    • 相较于关系型数据库,读写性能优越,命中二级索引的查询不会比关系型数据库慢,对于非索引字段的查询则是全面胜出

    缺点在于:

    • 不支持事务操作,虽然 Mongodb4.0 之后宣称支持事务,但是效果待观测

    • 多表之间的关联查询不支持(虽然有嵌入文档的方式),join 查询还是需要多次操作

    • 空间占用较大,这个是 MongDB 的设计问题,空间预分配机制 + 删除数据后空间不释放,只有用 db.repairDatabase () 去修复才能释放

    • 目前没发现 MongoDB 有关系型数据库例如 MySql 的 Navicat 这种成熟的运维工具

    总而言之,MongDB 的使用场景很大程度上可以对标关系型数据库,但是比较适合处理那些没有 join、没有强一致性要求且表 Schema 会常变化的数据。


    通过以上讨论分析我们心中已经有了一个基本的选型框架指导,实际上在数据库选型时回答自己两个核心问题就好了:

    • 什么时候选用关系型数据库,什么时候选用非关系型数据库

    • 选用非关系型数据库的话,使用哪种非关系型数据库

    NoSQL 数据库都是通过牺牲了 ACID 特性来获取更高性能的,假设表数据有很强的事务特性需求,那么这类数据是不适合放在非关系型数据库。此外,选用 NoSQL 数据库时也要根据公司技术栈框架、业务特性、运维成本等多方面考虑是否采纳。

    总结

    关系型数据库和 NoSQL 数据库的选型,往往需要考虑几个指标:

    • 数据量

    • 并发量

    • 实时性

    • 一致性要求

    • 读写分布和类型

    • 安全性

    • 运维成本

    常见软件系统数据库选型参考如下:

    • 中后台管理型系统  - 如运营系统,数据量少,并发量小,关系型数据库。

    • 大流量系统  - 如电商单品页,后台考虑选关系型数据库,前台考虑选内存型数据库。

    • 日志型系统  - 原始数据考虑选列式数据库,日志搜索考虑选搜索引擎。

    • 搜索型系统  - 例如站内搜索,非通用搜索,如商品搜索,后台考虑选关系型数据库,前台考虑选搜索引擎。

    • 事务型系统  - 如库存,交易,记账,考虑选关系型数据库 + K-V 数据库(作为缓存)+ 分布式事务。

    • 离线计算 - 如大量数据分析,考虑选列式数据库或关系型数据库。

    • 实时计算  - 如实时监控,可以考虑选内存型数据库或者列式数据库。

    设计实践中,要基于需求、业务驱动架构,无论选用 RDB/NoSQL, 一定是以需求为导向,终数据存储方案必然是各种权衡的综合性设计。


    分享好友

    分享这个小栈给你的朋友们,一起进步吧。

    数据库开发
    创建时间:2020-06-17 14:33:07
    数据库开发是数据库管理系统(DBMS)和数据库应用软件设计研发的总称,主要是数据运维、参与数据库生产环境的问题优化和解决等方面的事宜
    展开
    订阅须知

    • 所有用户可根据关注领域订阅专区或所有专区

    • 付费订阅:虚拟交易,一经交易不退款;若特殊情况,可3日内客服咨询

    • 专区发布评论属默认订阅所评论专区(除付费小栈外)

    技术专家

    查看更多
    • 小雨滴
      专家
    戳我,来吐槽~