亿级数据多条件组合查询——秒级响应解决方案

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，它是分布式数据库，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));}
}

ConcurrentUpdateSolrServer类可以使用多线程向SolrCloud的多个节点发送http请求，queueSize为队列大小，即往Solr中一次性批量add的数据数目，threadCount为开启的线程数，可以根据服务器性能的不同进行自定义，以提高构建索引的速度。笔者对1000w条数据进行参数调整测试，得到如下结果：

queueSize	threadNum	Time (s)
10000	20	274
20000	20	250
20000	30	255
20000	40	254
30000	20	255
因此测试中选用的参数为`queueSize：20000`和`threadNum：20`，索引构建速度为`4w/s`，还尝试通过修改`scan.setCaching(500);`的大小来提高构建速度，但是发现该缓存大小对构建速度的影响可以忽略不计，应该是索引构建速度低于HBase的Scan速度，因此暂时没有必要对HBase的Scan操作进行加速。Solr对构建索引的服务进行了上层封装，提供一个web服务的接口，可以直接通过可视化界面对结果进行查询。

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，具体的整合方法见 Solr+Hbase+Hbase Indexer查询方案流程整合。

4 方案测试

笔者将一亿条包含10个字段的数据开启10个线程插入Hbase中，然后使用Solr对10个字段构建了索引，在Solr的可视化界面进行查询，查询结果如下图所示。

其中，QTime为响应时间，q为查询语句，wt为请求格式（设置请求格式为xml响应速度更快），numFound为找到符合查询条件的数据条数，docs为返回的数据也就是rowKey。可以看到，组合查询都能够在秒级响应返回响应rowKey，而通过rowKey在HBase中返回该条数据的所有字段可以在毫秒级响应，如下图所示：

至此，可以证明，亿级数据多条件组合查询使用HBase+Solr的解决方案能够满足秒级响应的需求。具体流程操作可参考Solr+Hbase+Hbase Indexer查询方案流程整合。