數(shù)據(jù)存儲(chǔ)在實(shí)際應(yīng)用中，就是怎么用數(shù)據(jù)庫(kù)把我們的業(yè)務(wù)數(shù)據(jù)保存起來(lái)。從宏觀角度看，大致包含三大類技術(shù)：B-TREE，LSM&SSTable，列式存儲(chǔ)。雖然主流的關(guān)系型數(shù)據(jù)庫(kù)，如Oracle、MySQL（innodb）都是采用B-TREE，但是兩者其實(shí)并沒(méi)有綁定關(guān)系，比如TokuDB，作為MySQL的存儲(chǔ)引擎之一也是使用LSM作為其核心思想；NewSQL中的TiDB雖然也是基于關(guān)系模型的，但是底層的存儲(chǔ)引擎使用RocksDB，也是基于LSM&SSTable。底層技術(shù)處于互相學(xué)習(xí)和融合之中。

　　B-TREE

　　B-TREE和關(guān)系模型同步出現(xiàn)于70年代，到90年幾乎占領(lǐng)了所有的數(shù)據(jù)庫(kù)市場(chǎng)。B-TREE簡(jiǎn)單的理解就是多葉節(jié)點(diǎn)的樹(shù)，每個(gè)葉節(jié)點(diǎn)并非是每行數(shù)據(jù)，而是數(shù)據(jù)庫(kù)的的數(shù)據(jù)塊。這么設(shè)計(jì)的原因是樹(shù)的層次影響著搜索性能，而且磁盤的讀寫(xiě)是基于塊（BLOCK）的，使用塊可以大大減少節(jié)點(diǎn)數(shù)量，進(jìn)而減少樹(shù)的層次。

　　B-TREE的特點(diǎn)在于讀寫(xiě)性能比較穩(wěn)定，響應(yīng)時(shí)間和磁盤隨機(jī)讀寫(xiě)的時(shí)間成正比（10ms）。并且由于B-TREE對(duì)應(yīng)到數(shù)據(jù)庫(kù)的每條記錄，可以很容易的實(shí)現(xiàn)事務(wù)、行鎖和隔離級(jí)別。讀性能略高于LSM算法。而且B-TREE基于塊的存儲(chǔ)方式，可以很容易的把內(nèi)存中的塊和磁盤上的塊一一對(duì)應(yīng)起來(lái)，很容易的實(shí)現(xiàn)緩存。在實(shí)際應(yīng)用中，前2-3級(jí)節(jié)點(diǎn)內(nèi)都可以在緩存中讀取，由此大大提高了訪問(wèn)效率。

　　而不足在于真正面對(duì)海量數(shù)據(jù)時(shí)（如數(shù)據(jù)量進(jìn)入到百億級(jí)別時(shí)），由于樹(shù)層數(shù)和緩存比率的減少，會(huì)導(dǎo)致性能逐步下降。此外由于B-TREE在寫(xiě)入時(shí)也需要通過(guò)搜索定位到葉節(jié)點(diǎn)，因此相對(duì)于LSM，其寫(xiě)入時(shí)開(kāi)銷較大。PS：其實(shí)現(xiàn)在已經(jīng)出現(xiàn)了分布式的B-TREE，比如oracle的localeindex。

　　LSM&SSTable

　　目前主流的存儲(chǔ)架構(gòu)還是磁盤+內(nèi)存，磁盤順序讀寫(xiě)的性能高于隨機(jī)讀寫(xiě)三個(gè)數(shù)量級(jí)，而在內(nèi)存中進(jìn)行隨機(jī)讀寫(xiě)的的性能也大于磁盤的三個(gè)數(shù)量級(jí)，可以得出用磁盤當(dāng)做磁帶一樣只做順序讀寫(xiě)，而把內(nèi)存當(dāng)做磁盤，提供所有的隨機(jī)讀寫(xiě)訪問(wèn)的總體思想，這也就是出LSM-Tree的算法。

　　簡(jiǎn)單說(shuō)就是在內(nèi)存中維護(hù)一張MemTable，把所有最新的數(shù)據(jù)都寫(xiě)到其中，所有數(shù)據(jù)依據(jù)key值進(jìn)行排序（隨機(jī)讀寫(xiě)）。當(dāng)MemTable的大小到大閾值之后，把它寫(xiě)到磁盤上，形成一個(gè)個(gè)的SSTable（順序?qū)懀?。每個(gè)SSTable構(gòu)造一個(gè)索引，由于SSTable中的數(shù)據(jù)都是排好序的，所以索引較小，可以保存在內(nèi)存里面，所以所有的索引搜索動(dòng)作都是在內(nèi)存進(jìn)行的（隨機(jī)讀）。

　　每次查找的過(guò)程如下：首先在MemTable中搜索（內(nèi)存隨機(jī)查找），如果沒(méi)有依次在每個(gè)SSTable的索引中查找（內(nèi)存隨機(jī)查找）。把查找從磁盤隨機(jī)動(dòng)作變成了基于內(nèi)存的隨機(jī)動(dòng)作。隨著SSTable的增多，搜索的次數(shù)會(huì)增加，為了提高性能，后臺(tái)會(huì)把多個(gè)SSTable合并為一個(gè)（如HBase、LevelDB等等）。并且提供布隆過(guò)濾器（BloomFilter）來(lái)過(guò)濾掉不需要的SSTable。從總體效果上看，寫(xiě)入的效率大大高于基于B-Tree的存儲(chǔ)引擎，而讀取性能接近于B-Tree。

　　LSM&SSTable在寫(xiě)入密集型應(yīng)用中有較大優(yōu)勢(shì)，同時(shí)在讀取方面也有不錯(cuò)的表現(xiàn)。不足之處在于上面提到的，不定期對(duì)增加的SSTable進(jìn)行合并時(shí)，對(duì)于數(shù)據(jù)庫(kù)會(huì)產(chǎn)生一定壓力。

　　由于這些特點(diǎn)，LSM&SSTable大量應(yīng)用于許多組件中，比如HBase、LevelDB等KeyValue數(shù)據(jù)庫(kù)中，同時(shí)也在消息引擎Kafka和搜索引擎Solr使用。

　　列式存儲(chǔ)

　　以上兩種存儲(chǔ)引擎主要適合于聯(lián)機(jī)場(chǎng)景，如有大量的基于客戶各類行為數(shù)據(jù)的批量計(jì)算的推薦系統(tǒng)中，以及預(yù)計(jì)客戶的流動(dòng)性缺口等等。在這些場(chǎng)景中，列式存儲(chǔ)在性能上有非常明顯的優(yōu)勢(shì)。隨著各類大數(shù)據(jù)應(yīng)用的擴(kuò)展，列式存儲(chǔ)從和Hive共生的ORC，到和Spark共生的Parquet也被應(yīng)用到了各個(gè)數(shù)據(jù)分析應(yīng)用中。

　　從傳統(tǒng)的數(shù)據(jù)分析類應(yīng)用，到人工智能應(yīng)用，都需要遍歷整個(gè)數(shù)據(jù)集，上面也提到磁盤在順序讀寫(xiě)和隨機(jī)讀寫(xiě)性能方面的巨大差距，所以所有的數(shù)據(jù)倉(cāng)庫(kù)都會(huì)在全表遍歷中采用磁盤順序遍歷。所以遍歷的文件空間越小，性能越高。列式存儲(chǔ)按列對(duì)數(shù)據(jù)進(jìn)行保存，以減少數(shù)據(jù)庫(kù)每次訪問(wèn)的文件尺寸。

　　首先，分析應(yīng)用一般局限于對(duì)于表中的部分字段都分析，列是存儲(chǔ)可以讓引擎只訪問(wèn)部分字段，減少吞吐量。其次，列式存儲(chǔ)數(shù)據(jù)壓縮能力更強(qiáng)。因?yàn)樾屑?jí)別的存儲(chǔ)方式壓縮是基于數(shù)據(jù)塊，壓縮比大致為50%-70%左右，而且壓縮比越大，解壓縮對(duì)于CPU的占用也越大。由于單列內(nèi)的數(shù)據(jù)非常類似，尤其是各種碼值類的數(shù)據(jù)，比如性別（男、女、其他），行數(shù)越多，壓縮比越大。10億客戶的性別，也可以簡(jiǎn)單的表達(dá)為如下這樣：“連續(xù)100個(gè)男性、連續(xù)50個(gè)女性、又連續(xù)80個(gè)男性、連續(xù)70個(gè)女性”，按照每行的位置依次表達(dá)下去。

　　再次，同樣由于列內(nèi)數(shù)據(jù)的取值范圍有限，也可通過(guò)位圖來(lái)表達(dá)，比如10表示男，01表示女，因此只用2個(gè)bit就可以表示出來(lái)，從而進(jìn)一步增加壓縮比。在在許多場(chǎng)景中能夠把以前數(shù)G的數(shù)據(jù)壓縮為幾百K。由此可以顯著降低批量計(jì)算時(shí)對(duì)于存儲(chǔ)的吞吐壓力和提升計(jì)算效率。

　　當(dāng)然列式存儲(chǔ)也并非完美，在更新時(shí)列式存儲(chǔ)相對(duì)行式存儲(chǔ)，很難直接做到就地修改的效果，往往需要把整列鎖住，重新計(jì)算，重新生成整個(gè)列。所以列式存儲(chǔ)更多的適合于數(shù)據(jù)分析時(shí)需要全表遍歷的場(chǎng)景。

　　數(shù)據(jù)存儲(chǔ)總結(jié)

　　綜合考慮上面三種存儲(chǔ)方式的優(yōu)勢(shì)和不足。推薦系統(tǒng)根據(jù)應(yīng)用訪問(wèn)數(shù)據(jù)的特點(diǎn)把數(shù)據(jù)分布到了不同的存儲(chǔ)機(jī)制中。

　　對(duì)于需要提供事務(wù)、鎖，數(shù)據(jù)量不特別大的場(chǎng)景中，采用基于B-TREE的存儲(chǔ)機(jī)制，例如合約簽訂，合約執(zhí)行等業(yè)務(wù)需要數(shù)據(jù)庫(kù)提供多行的事物處理，而且數(shù)據(jù)量和交易量不是特別大，把數(shù)據(jù)保持在傳統(tǒng)關(guān)系型數(shù)據(jù)庫(kù)中，也正好利用了B-TREE的優(yōu)點(diǎn)。

　　對(duì)于訪問(wèn)數(shù)據(jù)量，以及每日新增、修改量特別大的場(chǎng)景，采用LSM&SSTable作為存儲(chǔ)引擎，例如客戶的標(biāo)簽數(shù)據(jù)，數(shù)據(jù)量達(dá)到百億級(jí)，每日增量也可達(dá)上億記錄，數(shù)據(jù)保存在HBase數(shù)據(jù)庫(kù)中，可以較為輕松，在數(shù)十分鐘之內(nèi)就可完成批量更新，而查詢響應(yīng)時(shí)間也沒(méi)有隨著數(shù)據(jù)量的增加而變慢，仍然保證在幾毫秒以內(nèi)。

　　最后是列式存儲(chǔ)，它適合于數(shù)據(jù)分析類場(chǎng)景，如進(jìn)行客戶流動(dòng)性預(yù)測(cè)、客戶投資方案生成這類分析場(chǎng)景中，需要對(duì)于數(shù)據(jù)進(jìn)行反復(fù)遍歷的操作，最終采用的方案是把數(shù)據(jù)從原來(lái)的產(chǎn)品數(shù)據(jù)庫(kù)中導(dǎo)出后存到Hadoop集群的HDFS中采用Parquet格式存儲(chǔ)數(shù)據(jù)，后繼采用Spark來(lái)訪問(wèn)時(shí)，遍歷數(shù)據(jù)的時(shí)間可以控制在數(shù)分鐘級(jí)別。
責(zé)任編輯人：CC