©2020-2024 ioDraw All rights reserved
1 概述
组合查询为多条件组合查询，在很多场景下都有使用。购物网站中通过勾选类别、价格、销售量范围等属性来对所有的商品进行筛选，筛选出满足客户需要的商品，这是一种典型的组合查询。在小数据量的情况下，后台通过简单的sql语句便能够快速过滤出需要的数据，但随着数据量的增加，继续使用sql语句，查询效率会直线下降。当数据量达到一定的量级，服务器将会不堪重负甚至面临挂掉的危险，并且大数据量的存储也成为了一个问题。本文将讨论在亿级数据的情况下，多条件组合查询秒级响应的解决方案。
2 方案思考
2.1 数据存储
假定每条数据有10个字段，每个字段的大小为4Byte，共有1亿条数据。通过传统的关系型数据库mysql，使用JDBC批处理和事务混合的方式对数据进行插入，插入一亿数据大约需要半小时，字段可能会出现为空的情况，导致冗余。针对海量数据的存储，现如今使用较多的是HBase。使用HBase的好处有三：其一，它是非关系型数据库，字段为空的值只在逻辑上存在，在空间上不存在，因此解决了冗余的问题；其二，它是面向列的数据库，能够通过简单的API调用对字段进行横向扩展；其三，它是分部式数据库，表的RowKey
按照字典排序，Region按照RowKey设置split
point进行shard，通过这种方式实现全局、分布式索引，通过RowKey索引数据能够在毫秒级返回。Hbase插入数据可以调用批量插入或者通过MR程序插入，实测在批量提交数据条数设置为1000，开10个线程的情况下，插入一亿数据大约需要10分钟。若需要加速插入速度，可以通过增加批量提交数、调整线程数或者使用MR程序进行Hbase的写入。Hbase本身是分布式数据库，数据存储可以存储在多个节点上，使用Zookeeper统一管理，提供数据备份和故障恢复的功能。因此使用Hbase作为数据仓库，对结构化数据进行存储。
2.2 数据查询
Hbase中的数据查询只有两种方式：一是使用get 'tablename',
'rowkey‘’直接通过rowkey进行查询，亿级数据的查询结果可以在毫秒内返回；二是设置过滤器对全表进行Scan扫描，该查询方式在海量数据的情况下耗时十分长，当然也和服务器的性能有关。我们的需求是秒级响应，如果使用全表扫描方式，数据量达到万级或者十万级就无法实现实时响应了，要进行这样的查询，往往是要通过类似Hive、Pig等系统进行全表的MapReduce计算，这种方式既浪费了机器的计算资源，又因高延迟使得应用黯然失色。因此我们考虑使用rowKey对数据进行查询，如果我们使用rowKey对全表进行多条件组合查询，这将对rowKey的设置要求十分高，面向业务而言这对程序员十分不友好，因此我们需要通过建立二级索引的方式，按索引的种类扫描各自独立的单索引表，最后将扫描结果merge，得到目标rowKey。HBase有原生的建立二级索引的方式，即使用HBase的coprocessor协处理器，可以根据业务进行灵活的设置，但较为复杂，本文讨论使用一种业务模式较为固定，但更加简单直接的方式创建索引——Solr。Solr是一个独立的企业级搜索应用服务器，是Apache
Lucene项目的开源企业搜索平台。其主要功能包括全文检索、命中标示、分面搜索、动态聚类、数据库集成，以及富文本（如Word、PDF）的处理。Solr是高度可扩展的，并提供了分布式搜索和索引复制。我们可以直接使用Solr这一组件，通过修改配置文件以实现相关的业务需求。通过批量建立索引的方式对HBase中的一亿条数据的10个字段构建索引，耗时为3383s，约为1小时。具体代码如下：
public class ThreadsCreateIndexWork {
private static Logger logger =
LoggerFactory.getLogger(ThreadsCreateIndexWork.class);
public static void main(String[] args) throws IOException,
SolrServerException {
if(args.length < 3) {
logger.info("[tableName | queueSize | threadCount]");
logger.info("e.g.| test1 20000 20");
}
String tableName = args[0];
String queueSize = args[1];
String threadCount = args[2];
long start = System.currentTimeMillis();
final Configuration conf;
Properties prop =
PropertiesReaderUtils.getProperties("conf/path.properties");
String server = prop.getProperty("solr.server");
SolrServer solrServer = new ConcurrentUpdateSolrServer(server,
Integer.parseInt(queueSize), Integer.parseInt(threadCount));
conf = HBaseConfiguration.create();
HTable table = new HTable(conf, tableName); // 这里指定HBase表名称
Scan scan = new Scan();
scan.addFamily(Bytes.toBytes("people")); // 这里指定HBase表的列族
scan.setCaching(500);
scan.setCacheBlocks(false);
ResultScanner ss = table.getScanner(scan);
try {
for (Result r : ss) {
SolrInputDocument solrDoc = new SolrInputDocument();
solrDoc.addField("rowkey", new String(r.getRow()));
for (KeyValue kv : r.raw()) {
String fieldName = new String(kv.getQualifier());
String fieldValue = new String(kv.getValue());
if (fieldName.equalsIgnoreCase("upperClothing")
|| fieldName.equalsIgnoreCase("lowerClothing")
|| fieldName.equalsIgnoreCase("coatStyle")
|| fieldName.equalsIgnoreCase("trousersStyle")
|| fieldName.equalsIgnoreCase("sex")
|| fieldName.equalsIgnoreCase("age")
|| fieldName.equalsIgnoreCase("angle")
|| fieldName.equalsIgnoreCase("bag")
|| fieldName.equalsIgnoreCase("umbrella")
|| fieldName.equalsIgnoreCase("featureType")){
solrDoc.addField(fieldName, fieldValue);
}
}
solrServer.add(solrDoc);
}
ss.close();
table.close();
} catch (IOException e) {
} finally {
ss.close();
table.close();
}
long time = System.currentTimeMillis() - start;
logger.info("---------- create index with thread use time " +
String.valueOf(time));
}
}
3 解决方案
综上，针对亿级数据多条件组合查询，给出的解决方案是使用HBase+Solr的方式，CDH将HBase和Solr都以组件的方式提供出来，可以使用CDH平台对HBase和Solr进行统一的管理。Hbase用于存储海量数据，Solr使用SolrCloud模式进行部署，提供索引构建和查询。索引的创建可以通过接口离线批量创建，也可以使用HBase
Indexer连接HBase和Solr，提供自动化索引构建，CDH平台也集成了Hbase Indexer（Lily HBase Indexer）这一组件。