Mongodb存储特性与内部原理

前言

本文重点叙述下mongodb存储特性和内部原理，
下一篇文章咱们一起来搭建下Replica Sets+Sharded Cluster的集群

存储引擎

wiredTiger引擎

1、3.0新增引擎推荐使用 2、可以支撑更高的读写负载和并发量

所有的write请求都基于“文档级别”的lock，
因此多个客户端可以同时更新一个colleciton中的不同文档，
这种更细颗粒度的lock，可以支撑更高的读写负载和并发量。
因为对于production环境，更多的CPU可以有效提升wireTiger的性能，
因为它是的IO是多线程的

3、配置缓存

可以通过在配置文件中指定“cacheSizeGB”参数设定引擎使用的内存量，
此内存用于缓存工作集数据（索引、namespace，未提交的write，query缓冲等）

4、journal即预写事务日志

a、journal就是一个预写事务日志，来确保数据的持久性

b、wiredTiger每隔60秒（默认）或者待写入的数据达到2G时，mongodb将对journal文件提交一个checkpoint（检测点，将内存中的数据变更flush到磁盘中的数据文件中，并做一个标记点，表示此前的数据表示已经持久存储在了数据文件中，此后的数据变更存在于内存和journal日志）

c、对于write操作，首先被持久写入journal，然后在内存中保存变更数据，条件满足后提交一个新的检测点，即检测点之前的数据只是在journal中持久存储，但并没有在mongodb的数据文件中持久化，延迟持久化可以提升磁盘效率，如果在提交checkpoint之前，mongodb异常退出，此后再次启动可以根据journal日志恢复数据

d、journal日志默认每个100毫秒同步磁盘一次，每100M数据生成一个新的journal文件，journal默认使用了snappy压缩，检测点创建后，此前的journal日志即可清除。

e、mongod可以禁用journal，这在一定程度上可以降低它带来的开支；对于单点mongod，关闭journal可能会在异常关闭时丢失checkpoint之间的数据（那些尚未提交到磁盘数据文件的数据）；对于replica set架构，持久性的保证稍高，但仍然不能保证绝对的安全（比如replica set中所有节点几乎同时退出时）

MMAPv1引擎

1、原生的存储引擎直接使用系统级的内存映射文件机制（memory mapped files）

2、对于insert、read和in-place update（update不导致文档的size变大）性能较高

3、不过MMAPV1在lock的并发级别上，支持到collection级别所以对于同一个collection同时只能有一个write操作执行这一点相对于wiredTiger而言，在write并发性上就稍弱一些

4、对于production环境而言，较大的内存可以使此引擎更加高效，有效减少“page fault”频率

5、但是因为其并发级别的限制，多核CPU并不能使其受益

6、此引擎将不会使用到swap空间，但是对于wiredTiger而言需要一定的swap空间

7、对于大文件MAP操作，比较忌讳的就是在文件的中间修改数据，而且导致文件长度增长，这会涉及到索引引用的大面积调整

8、所有的记录在磁盘上连续存储，当一个document尺寸变大时，mongodb需要重新分配一个新的记录（旧的record标记删除，新的记record在文件尾部重新分配空间）

9、这意味着mongodb同时还需要更新此文档的索引（指向新的record的offset），与in-place update相比，将消耗更多的时间和存储开支。

10、由此可见，如果你的mongodb的使用场景中有大量的这种update，那么或许MMAPv1引擎并不太适合

11、同时也反映出如果document没有索引，是无法保证document在read中的顺序（即自然顺序）

12、3.0之后，mongodb默认采用“Power of 2 Sized Allocations”，所以每个document对应的record将有实际数据和一些padding组成，这padding可以允许document的尺寸在update时适度的增长，以最小化重新分配record的可能性。此外重新分配空间，也会导致磁盘碎片（旧的record空间）

Power of 2 Sized Allocations

1、默认情况下，MMAPv1中空间分配使用此策略，每个document的size是2的次幂，比如32、64、128、256...2MB，如果文档尺寸大于2MB，则空间为2MB的倍数（2M,4M,6M等）

2、2种优势

那些删除或者update变大而产生的磁盘碎片空间（尺寸变大，意味着开辟新空间存储此document，旧的空间被mark为deleted）可以被其他insert重用
再者padding可以允许文档尺寸有限度的增长，而无需每次update变大都重新分配空间。

3、mongodb还提供了一个可选的“No padding Allocation”策略（即按照实际数据尺寸分配空间），如果你确信数据绝大多数情况下都是insert、in-place update，极少的delete，此策略将可以有效的节约磁盘空间，看起来数据更加紧凑，磁盘利用率也更高

备注：mongodb 3.2+之后，默认的存储引擎为“wiredTiger”，大量优化了存储性能，建议升级到3.2+版本

Capped Collections

1、尺寸大小是固定值类似于一个可循环使用的buffer

如果空间被填满之后，新的插入将会覆盖最旧的文档，通常不会对Capped进行删除或者update操作，所以这种类型的collection能够支撑较高的write和read

2、不需要对这种collection构建索引，因为insert是append（insert的数据保存是严格有序的）、read是iterator方式，几乎没有随机读

3、在replica set模式下，其oplog就是使用这种colleciton实现的

4、Capped Collection的设计目的就是用来保存“最近的”一定尺寸的document

db.createCollection("capped_collections",
new CreateCollectionOptions()
.capped(true)
.maxDocuments(6552350)
.usePowerOf2Sizes(false).autoIndex(true));//不会涉及到更新，所以可以不用power of 2

5、类似于“FIFO”队列，而且是有界队列适用于数据缓存，消息类型的存储

6、Capped支持update，但是我们通常不建议，如果更新导致document的尺寸变大，操作将会失败，只能使用in-place update，而且还需要建立合适的索引

7、在capped中使用remove操作是允许的

8、autoIndex属性表示默认对_id字段建立索引

数据模型（Data Model）

1、mongodb支持内嵌document 即document中一个字段的值也是一个document

2、如果内嵌文档（即reference文档）尺寸是动态的，比如一个user可以有多个card，因为card数量无法预估，这就会导致document的尺寸可能不断增加以至于超过“Power of 2 Allocate”，从而触发空间重新分配，带来性能开销

3、这种情况下，我们需要将内嵌文档单独保存到一个额外的collection中，作为一个或者多个document存储，比如把card列表保存在card collection中

4、如果reference文档尺寸较小，可以内嵌，如果尺寸较大，建议单独存储。此外内嵌文档还有个优点就是write的原子性

索引

1、提高查询性能，默认情况下_id字段会被创建唯一索引；2、因为索引不仅需要占用大量内存而且也会占用磁盘，所以我们需要建立有限个索引，而且最好不要建立重复索引；3、每个索引需要8KB的空间，同时update、insert操作会导致索引的调整，
会稍微影响write的性能，索引只能使read操作收益，
所以读写比高的应用可以考虑建立索引

大集合拆分

比如一个用于存储log的collection，
log分为有两种“dev”、“debug”，结果大致为
{"log":"dev","content":"...."},{"log":"debug","content":"....."}。
这两种日志的document个数比较接近，
对于查询时，即使给log字段建立索引，这个索引也不是高效的，
所以可以考虑将它们分别放在2个Collection中，比如：log_dev和log_debug。

数据生命周期管理

mongodb提供了expire机制，
即可以指定文档保存的时长，过期后自动删除，即TTL特性，
这个特性在很多场合将是非常有用的，
比如“验证码保留15分钟有效期”、“消息保存7天”等等，
mongodb会启动一个后台线程来删除那些过期的document需要对一个日期字段创建“TTL索引”，
比如插入一个文档：{"check_code":"101010",$currentDate:{"created":true}}}，
其中created字段默认值为系统时间Date；然后我们对created字段建立TTL索引：collection.createIndex(new Document("created",1),new IndexOptions().expireAfter(15L,TimeUnit.MILLISECONDS));//15分钟  向collection中insert文档时，created的时间为系统当前时间，
其中在creatd字段上建立了“TTL”索引，索引TTL为15分钟，
mongodb后台线程将会扫描并检测每条document的（created时间 + 15分钟）与当前时间比较，
如果发现过期，则删除索引条目（连带删除document）。某些情况下，可能需要实现“在某个指定的时刻过期”，
只需要将上述文档和索引变通改造即可，
即created指定为“目标时间”，expiredAfter指定为0。

架构模式

Replica set 复制集

通常是三个对等的节点构成一个“复制集”集群，
有“primary”和secondary等多种角色
其中primary负责读写请求，secondary可以负责读请求，这又配置决定，
其中secondary紧跟primary并应用write操作；
如果primay失效，则集群进行“多数派”选举，选举出新的primary，即failover机制，即HA架构。
复制集解决了单点故障问题，也是mongodb垂直扩展的最小部署单位，
当然sharding cluster中每个shard节点也可以使用Replica set提高数据可用性。

Sharding cluster 分片集群

数据水平扩展的手段之一；
replica set这种架构的缺点就是“集群数据容量”受限于单个节点的磁盘大小，
如果数据量不断增加，对它进行扩容将时非常苦难的事情，所以我们需要采用Sharding模式来解决这个问题。
将整个collection的数据将根据sharding key被sharding到多个mongod节点上，
即每个节点持有collection的一部分数据，这个集群持有全部数据，
原则上sharding可以支撑数TB的数据。

系统配置

建议mongodb部署在linux系统上，较高版本，选择合适的底层文件系统（ext4），开启合适的swap空间
无论是MMAPV1或者wiredTiger引擎，较大的内存总能带来直接收益
对数据存储文件关闭“atime”（文件每次access都会更改这个时间值，表示文件最近被访问的时间），可以提升文件访问效率
ulimit参数调整，这个在基于网络IO或者磁盘IO操作的应用中，通常都会调整，上调系统允许打开的文件个数（ulimit -n 65535）。

数据文件存储原理（Data Files storage，MMAPV1引擎）

 mongodb的数据将会保存在底层文件系统中，比如我们dbpath设定为“/data/db”目录，我们创建一个database为“test”，collection为“sample”，然后在此collection中插入数条documents。我们查看dbpath下生成的文件列表：


可以看到test这个数据库目前已经有6个数据文件（data files），
每个文件以“database”的名字 + 序列数字组成，
序列号从0开始，逐个递增，数据文件从16M开始，每次扩张一倍（16M、32M、64M、128M...），
在默认情况下单个data file的最大尺寸为2G，
如果设置了smallFiles属性（配置文件中）则最大限定为512M；
mongodb中每个database最多支持16000个数据文件，即约32T，
如果设置了smallFiles则单个database的最大数据量为8T。
如果你的database中的数据文件很多，
可以使用directoryPerDB配置项将每个db的数据文件放置在各自的目录中。
当最后一个data file有数据写入后，
mongodb将会立即预分配下一个data file，
可以通过“--nopreallocate”启动命令参数来关闭此选项

参考文档

https://blog.csdn.net/quanmaoluo5461/article/details/85164588

本文使用 mdnice 排版