前言

在开发中遇到一个业务诉求，需要在千万量级的底池数据中筛选出不超过 10W 的数据，并根据配置的权重规则进行排序、打散（如同一个类目下的商品数据不能连续出现 3 次）。

(资料图片)

下面对该业务诉求的实现，设计思路和方案优化进行介绍，对「千万量级数据中查询 10W 量级的数据」设计了如下方案：

多线程 + CK 翻页方案ES scroll scan 深翻页方案ES + Hbase 组合方案RediSearch + RedisJSON 组合方案一、初版设计方案

整体方案设计为：

先根据配置的「筛选规则」，从底池表中筛选出「目标数据」。在根据配置的「排序规则」，对「目标数据」进行排序，得到「结果数据」。

技术方案如下：

每天运行导数任务，把现有的千万量级的底池数据（Hive 表）导入到 Clickhouse 中，后续使用 CK 表进行数据筛选。将业务配置的筛选规则和排序规则，构建为一个「筛选 + 排序」对象 SelectionQueryCondition。从 CK 底池表取「目标数据」时，开启多线程，进行分页筛选，将获取到的「目标数据」存放到 result 列表中。

//分页大小  默认 5000int pageSize = this.getPageSize();//页码数int pageCnt = totalNum / this.getPageSize() + 1;List> result = Lists.newArrayList();List>>> futureList = new ArrayList<>(pageCnt);//开启多线程调用for (int i = 1; i <= pageCnt; i++) {   //将业务配置的筛选规则和排序规则 构建为 SelectionQueryCondition 对象   SelectionQueryCondition selectionQueryCondition = buildSelectionQueryCondition(selectionQueryRuleData);   selectionQueryCondition.setPageSize(pageSize);   selectionQueryCondition.setPage(i);   futureList.add(selectionQueryEventPool.submit(new QuerySelectionDataThread(selectionQueryCondition)));}for (Future>> future : futureList) {   //RPC 调用   List> queryRes = future.get(20, TimeUnit.SECONDS);   if (CollectionUtils.isNotEmpty(queryRes)) {       // 将目标数据存放在 result 中       result.addAll(queryRes);   }}

对目标数据 result 进行排序，得到最终的「结果数据」。二、CK分页查询

在「初版设计方案」章节的第 3 步提到了「从 CK 底池表取目标数据时，开启多线程，进行分页筛选」。此处对 CK 分页查询进行介绍。

封装了 queryPoolSkuList 方法，负责从 CK 表中获得目标数据。该方法内部调用了 sqlSession.selectList 方法。

public List> queryPoolSkuList( Map params ) {   List> resultMaps = new ArrayList<>();   QueryCondition queryCondition = parseQueryCondition(params);   List> mapList = lianNuDao.queryPoolSkuList(getCkDt(),queryCondition);   if (CollectionUtils.isNotEmpty(mapList)) {       for (Map data : mapList) {           resultMaps.add(camelKey(data));       }   }   return resultMaps;}

// lianNuDao.queryPoolSkuList@Autowired@Qualifier("ckSqlNewSession")private SqlSession sqlSession;public List> queryPoolSkuList( String dt, QueryCondition queryCondition ) {   queryCondition.setDt(dt);   queryCondition.checkMultiQueryItems();   return sqlSession.selectList("LianNu.queryPoolSkuList",queryCondition);}

sqlSession.selectList 方法中调用了和 CK 交互的 queryPoolSkuList 查询方法，部分代码如下。

   select sku_pool_id,i   tem_sku_id,   skuPoolName,   price,   ...   ...   businessType   from liannu_sku_pool_indicator_all   where   dt=#{dt}   and                                    ${queryItem.field} = #{queryItem.value}                      ...           ...                    group by sku_pool_id,item_sku_id             group by sku_pool_id,item_sku_id,${orderBy} order by ${orderBy} ${orderAd}             limit #{limitStart},#{limitEnd}   

可以看到，在 CK 分页查询时，是通过 limit #{limitStart},#{limitEnd} 实现的分页。

limit 分页方案，在「深翻页」时会存在性能问题。初版方案上线后，在 1000W 量级的底池数据中筛选 10W 的数据，最坏耗时会达到 10s~18s 左右。

三、使用ES Scroll Scan优化深翻页

对于 CK 深翻页时候的性能问题，进行了优化，使用 Elasticsearch 的 scroll scan 翻页方案进行优化。

1、ES的翻页方案

ES 翻页，有下面几种方案：

from + size 翻页scroll 翻页scroll scan 翻页search after 翻页

对上述几种翻页方案，查询不同数目的数据，耗时数据如下表。

2、耗时数据

此处，分别使用 Elasticsearch 的 scroll scan 翻页方案、初版中的 CK 翻页方案进行数据查询，对比其耗时数据。

如上测试数据，可以发现，以十万，百万，千万量级的底池为例。

底池量级越大，查询相同的数据量，耗时越大。查询结果 3W 以下时，ES 性能优；查询结果 5W 以上时，CK 多线程性能优。四、ES+Hbase组合查询方案

在「使用 ES Scroll Scan 优化深翻页」中，使用 Elasticsearch 的 scroll scan 翻页方案对深翻页问题进行了优化，但在实现时为单线程调用，所以最终测试耗时数据并不是特别理想，和 CK 翻页方案性能差不多。

在调研阶段发现，从底池中取出 10W 的目标数据时，一个商品包含多个字段的信息（CK 表中一行记录有 150 个字段信息），如价格、会员价、学生价、库存、好评率等。对于一行记录，当减少获取字段的个数时，查询耗时会有明显下降。如对 sku1的商品，从之前获取价格、会员价、学生价、亲友价、库存等 100 个字段信息，缩减到只获取价格、库存这两个字段信息。

如下图所示，使用 ES 查询方案，对查询同样条数的场景（从千万级底池中筛选出 7W+ 条数据），获取的每条记录的字段个数从 32 缩减到 17，再缩减到 1个（其实是两个字段，一个是商品唯一标识 sku_id，另一个是 ES 对每条文档记录的 doc_id）时，查询的耗时会从 9.3s 下降到 4.2s，再下降到 2.4s。

从中可以得出如下结论：

一次 ES 查询中，若查询字段和信息较多，fetch 阶段的耗时，远大于 query 阶段的耗时。一次 ES 查询中，若查询字段和信息较多，通过减少不必要的查询字段，可以显著缩短查询耗时。

下面对结论中涉及的 query 和 fetch 查询阶段进行补充说明。

1、ES查询的两个阶段：query和fetch

在 ES 中，搜索一般包括两个阶段，query 和 fetch 阶段。

query 阶段

根据查询条件，确定要取哪些文档（doc），筛选出文档 ID（doc_id）。

fetch 阶段

根据 query 阶段返回的文档 ID（doc_id），取出具体的文档（doc）。

2、ES的filesystem cache

1）ES 会将磁盘中的数据自动缓存到 filesystem cache，在内存中查找，提升了速度。

2）若 filesystem cache 无法容纳索引数据文件，则会基于磁盘查找，此时查询速度会明显变慢。

3）若数量两过大，基于「ES 查询的的 query 和 fetch 两个阶段」，可使用 ES + HBase 架构，保证 ES 的数据量小于 filesystem cache，保证查询速度。

3、组合使用Hbase

在上文调研的基础上，发现「减少不必要的查询展示字段」可以明显缩短查询耗时。沿着这个优化思路，参考相关资料设计了一种新的查询方案。

ES 仅用于条件筛选，ES 的查询结果仅包含记录的唯一标识 sku_id（其实还包含 ES 为每条文档记录的 doc_id）。Hbase 是列存储数据库，每列数据有一个 rowKey。利用 rowKey 筛选一条记录时，复杂度为 O(1)。（类似于从 HashMap 中根据 key 取 value）。根据 ES 查询返回的唯一标识 sku_id，作为 Hbase 查询中的 rowKey，在 O(1) 复杂度下获取其他信息字段，如价格，库存等。

使用 ES + Hbase 组合查询方案，在线上进行了小规模的灰度测试。在 1000W 量级的底池数据中筛选 10W 的数据，对比 CK 翻页方案，最坏耗时从 10~18s 优化到了 3~6s 左右。

也应该看到，使用 ES + Hbase 组合查询方案，会增加系统复杂度，同时数据也需要同时存储到 ES 和 Hbase。

五、RediSearch+RedisJSON优化方案

RediSearch 是基于 Redis 构建的分布式全文搜索和聚合引擎，能以极快的速度在 Redis 数据集上执行复杂的搜索查询。RedisJSON 是一个 Redis 模块，在 Redis 中提供 JSON 支持。RedisJSON 可以和 RediSearch 无缝配合，实现索引和查询 JSON 文档。

根据一些参考资料，RediSearch + RedisJSON 可以实现极高的性能，可谓碾压其他 NoSQL 方案。在后续版本迭代中，可考虑使用该方案来进一步优化。

下面给出 RediSearch + RedisJSON 的部分性能数据。

1、RediSearch 性能数据

在同等服务器配置下索引了 560 万个文档 (5.3GB)，RediSearch 构建索引的时间为 221 秒，而 Elasticsearch 为 349 秒。RediSearch 比 ES 快了 58%。

数据建立索引后，使用 32 个客户端对两个单词进行检索，RediSearch 的吞吐量达到 12.5K ops/sec，ES 的吞吐量为 3.1K ops/sec，RediSearch 比ES 要快 4 倍。同时，RediSearch 的延迟为 8ms，而 ES 为 10ms，RediSearch 延迟稍微低些。

2、RedisJSON 性能数据

根据官网的性能测试报告，RedisJson + RedisSearch 可谓碾压其他 NoSQL。

对于隔离写入（isolated writes），RedisJSON 比 MongoDB 快 5.4 倍，比 ES 快 200 倍以上。对于隔离读取（isolated reads），RedisJSON 比 MongoDB 快 12.7 倍，比 ES 快 500 倍以上。

在混合工作负载场景中，实时更新不会影响 RedisJSON 的搜索和读取性能，而 ES 会受到影响。

RedisJSON 支持的操作数/秒比 MongoDB 高约 50 倍，比 ES 高 7 倍/秒。RedisJSON 的延迟比 MongoDB 低约 90 倍，比 ES 低 23.7 倍。

此外，RedisJSON 的读取、写入和负载搜索延迟，在更高的百分位数中远比 ES 和 MongoDB 稳定。当增加写入比率时，RedisJSON 还能处理越来越高的整体吞吐量。而当写入比率增加时，ES 会降低它可以处理的整体吞吐量。

总结

本文从一个业务诉求触发，对「千万量级数据中查询 10W 量级的数据」介绍了不同的设计方案。对于「在 1000W 量级的底池数据中筛选 10W 的数据」的场景，不同方案的耗时如下：

多线程 + CK 翻页方案，最坏耗时为 10s~18s。单线程 + ES scroll scan 深翻页方案，相比 CK 方案，并未见到明显优化。ES + Hbase 组合方案，最坏耗时优化到了 3s~6s。RediSearch + RedisJSON 组合方案，后续会实测该方案的耗时。

关键词： 字段信息 性能数据 设计方案 方案进行 不必要的