SQLServer中處理億萬級(jí)別的數(shù)據(jù)
當(dāng)前位置：點(diǎn)晴教程→知識(shí)管理交流
→『 技術(shù)文檔交流 』
先說結(jié)論： 在SQLServer中處理億萬級(jí)別的數(shù)據(jù)(歷史數(shù)據(jù))，可以按以下方面進(jìn)行： 1、去掉表的所有索引 2、用SqlBulkCopy進(jìn)行插入 3、分表或者分區(qū)，減少每個(gè)表的數(shù)據(jù)總量 4、在某個(gè)表完全寫完之后再建立索引 5、正確的指定索引字段 6、把需要用到的字段放到包含索引中(在返回的索引中就包含了一切) 7、查詢的時(shí)候只返回所需的字段 首先聲明，我只是個(gè)程序員，不是專業(yè)的DBA，以下這篇文章是從一個(gè)問題的解決過程去寫的，而不是一開始就給大家一個(gè)正確的結(jié)果，如果文中有不對(duì)的地方，請(qǐng)各位數(shù)據(jù)庫大牛給予指正，以便我能夠更好的處理此次業(yè)務(wù)。 項(xiàng)目背景這是給某數(shù)據(jù)中心做的一個(gè)項(xiàng)目，項(xiàng)目難度之大令人發(fā)指，這個(gè)項(xiàng)目真正的讓我感覺到了，商場(chǎng)如戰(zhàn)場(chǎng)，而我只是其中的一個(gè)小兵，太多的戰(zhàn)術(shù)，太多的高層之間的較量，太多的內(nèi)幕了。具體這個(gè)項(xiàng)目的情況，我有空再寫相關(guān)的博文出來。 這個(gè)項(xiàng)目是要求做環(huán)境監(jiān)控，我們暫且把受監(jiān)控的設(shè)備稱為采集設(shè)備，采集設(shè)備的屬性稱為監(jiān)控指標(biāo)。項(xiàng)目要求：系統(tǒng)支持不少于10w個(gè)監(jiān)控指標(biāo)，每個(gè)監(jiān)控指標(biāo)的數(shù)據(jù)更新不大于20秒，存儲(chǔ)延遲不超過120秒。那么，我們可以通過簡(jiǎn)單的計(jì)算得出較理想的狀態(tài)——要存儲(chǔ)的數(shù)據(jù)為：每分鐘30w，每個(gè)小時(shí)1800w，也就是每天4億3千兩百萬。而實(shí)際，數(shù)據(jù)量會(huì)比這個(gè)大5%左右。（實(shí)際上大部分是信息垃圾，可以通過數(shù)據(jù)壓縮進(jìn)行處理的，但是別人就是要搞你，能咋辦） 上面是項(xiàng)目要求的指標(biāo)，我想很多有不少大數(shù)據(jù)處理經(jīng)驗(yàn)的同學(xué)都會(huì)呲之以鼻，就這么點(diǎn)？嗯，我也看了很多大數(shù)據(jù)處理的東西，但是之前沒處理過，看別人是頭頭是道，什么分布式，什么讀寫分離，看起來確實(shí)很容易解決。但是，問題沒這么簡(jiǎn)單，上面我說了，這是一個(gè)非常惡劣的項(xiàng)目，是一個(gè)行業(yè)惡性競(jìng)爭(zhēng)典型的項(xiàng)目。
寫入瓶頸首先遇到的第一個(gè)攔路虎就是，我們發(fā)現(xiàn)現(xiàn)有的程序下，SQLServer根本處理不了這么多的數(shù)據(jù)量，具體情況是怎樣的呢？ 我們的存儲(chǔ)結(jié)構(gòu)一般為了存儲(chǔ)大量的歷史數(shù)據(jù)，我們都會(huì)進(jìn)行一個(gè)物理的分表，否則每天上百萬條的記錄，一年下來就是幾億條。因此，原來我們的表結(jié)構(gòu)是這樣的： CREATE TABLE [dbo].[His20140822](
[No] [bigint] IDENTITY(1,1) NOT NULL, [Dtime] [datetime] NOT NULL, [MgrObjId] [varchar](36) NOT NULL, [Id] [varchar](50) NOT NULL, [Value] [varchar](50) NOT NULL,
CONSTRAINT [PK_His20140822] PRIMARY KEY CLUSTERED
(
[No] ASC
)WITH (PAD_INDEX = OFF, STATISTICS_NORECOMPUTE = OFF, IGNORE_DUP_KEY = OFF, ALLOW_ROW_LOCKS = ON, ALLOW_PAGE_LOCKS = ON) ON [PRIMARY]) ON [PRIMARY] No作為唯一的標(biāo)識(shí)、采集設(shè)備Id(Guid)、監(jiān)控指標(biāo)Id(varchar(50))、記錄時(shí)間、記錄值。并以采集設(shè)備Id和監(jiān)控指標(biāo)Id作為索引，以便快速查找。 批量寫入寫入當(dāng)時(shí)是用BulKCopy，沒錯(cuò)，就是它，號(hào)稱寫入百萬條記錄都是秒級(jí)的 public static int BatchInert(string connectionString, string desTable, DataTable dt, int batchSize = 500) { using (var sbc = new SqlBulkCopy(connectionString, SqlBulkCopyOptions.UseInternalTransaction) { BulkCopyTimeout = 300, NotifyAfter = dt.Rows.Count, BatchSize = batchSize, DestinationTableName = desTable }) { foreach (DataColumn column in dt.Columns) sbc.ColumnMappings.Add(column.ColumnName, column.ColumnName); sbc.WriteToServer(dt); } return dt.Rows.Count; } 存在什么問題？上面的架構(gòu)，在每天4千萬的數(shù)據(jù)都是OK的。但是，調(diào)整為上述背景下的配置時(shí)，集中監(jiān)控程序就內(nèi)存溢出了，分析得知，接收的太多數(shù)據(jù)，放在了內(nèi)存中，但是沒有來得及寫入到數(shù)據(jù)庫中，最終導(dǎo)致了生成的數(shù)據(jù)大于消費(fèi)的數(shù)據(jù)，導(dǎo)致內(nèi)存溢出，程序無法工作。 瓶頸到底在哪里？是因?yàn)镽AID磁盤的問題？是數(shù)據(jù)結(jié)構(gòu)的問題？是硬件的問題？是SQLServer版本的問題？是沒有分區(qū)表的問題？還是程序的問題？ 當(dāng)時(shí)時(shí)間只有一個(gè)星期，一個(gè)星期搞不好，項(xiàng)目監(jiān)管就要我們滾蛋了，于是，有了連續(xù)工作48小時(shí)的壯舉，有了到處打電話求人的抓雞…… 但是，這個(gè)時(shí)候需要的是冷靜，再冷靜……SQLServer版本？硬件？目前都不大可能換的。RAID磁盤陣列，應(yīng)該不是。那么到底是什么，真TM的冷靜不下來。 大家可能體會(huì)不到現(xiàn)場(chǎng)那種緊張的氣氛，其實(shí)過了這么久，我自己也都很難再回到那種情境。但是可以這么說，或許我們現(xiàn)在有了各種方法，或者處于局外人我們有更多思考，但是當(dāng)一個(gè)項(xiàng)目壓迫你快到放棄的時(shí)候，你那時(shí)的想法、考慮在現(xiàn)場(chǎng)環(huán)境因素的制約下，都可能出現(xiàn)重大的偏差。有可能讓你快速的思考，也有可能思維停滯。有些同事在這種高壓的環(huán)境下，甚至出現(xiàn)了更多的低級(jí)錯(cuò)誤，思維已經(jīng)完全亂了，效率更低了……36小時(shí)沒有合眼，或者只在工地上（下雨天到處都是泥巴，干了的話到時(shí)都是泥灰）瞇兩三個(gè)小時(shí)，然后繼續(xù)干，連續(xù)這么一個(gè)星期！或者還要繼續(xù)！ 很多人給了很多想法，但是好像有用，又好像沒用。等等，為什么是“好像有用，又好像沒用”？我隱隱約約中，好像抓住了一絲方向，到底是什么？對(duì)了，驗(yàn)證，我們現(xiàn)在是跑在現(xiàn)場(chǎng)環(huán)境下，之前沒有問題，不代表現(xiàn)在的壓力下沒有問題，要在一個(gè)大型系統(tǒng)中分析這么個(gè)小功能，影響太大了，我們應(yīng)該分解它。是的，是“單元測(cè)試”，就是單個(gè)方法的測(cè)試，我們需要驗(yàn)證每個(gè)函數(shù)，每個(gè)獨(dú)立的步驟到底耗時(shí)在哪里？ 逐步測(cè)試驗(yàn)證系統(tǒng)瓶頸修改BulkCopy的參數(shù) 按采集設(shè)備存儲(chǔ) 于是有了這種結(jié)構(gòu)： 結(jié)果驗(yàn)證，比上面的稍微好點(diǎn)，但是不是太明顯。 數(shù)據(jù)表分區(qū)??? 停止其他程序 難道是SQLServer的瓶頸? 等等，好像還有個(gè)東西，索引，對(duì)索引！索引的存在會(huì)影響插入、更新。 去掉索引是的，去掉索引之后查詢肯定慢，但是我必須先驗(yàn)證去掉索引是否會(huì)加快寫入。如果果斷把MgrObjId和Id兩個(gè)字段的索引去掉。 運(yùn)行，奇跡出現(xiàn)了，每次寫入10w條記錄，在7~9秒內(nèi)完全可以寫入，這樣就達(dá)到了系統(tǒng)的要求。 查詢?cè)趺唇鉀Q?一個(gè)表一天要4億多的記錄，這是不可能查詢的，在沒有索引的情況下。怎么辦??？我又想到了我們的老辦法，物理分表。是的，原來我們按天分表，那么我們現(xiàn)在按小時(shí)分表。那么24個(gè)表，每個(gè)表只需存儲(chǔ)1800w條記錄左右。 然后查詢，一個(gè)屬性在一個(gè)小時(shí)或者幾個(gè)小時(shí)的歷史記錄。結(jié)果是：慢！慢??！慢！??！去掉索引的情況下查詢1000多萬的記錄根本是不可想象的。還能怎么辦？ 繼續(xù)分表，我想到了，我們還可以按底層的采集器繼續(xù)分表，因?yàn)椴杉O(shè)備在不同的采集器中是不同的，那么我們查詢歷史曲線時(shí)，只有查單個(gè)指標(biāo)的歷史曲線，那么這樣就可以分散在不同的表中了。 說干就干，結(jié)果，通過按10個(gè)采集嵌入式并按24小時(shí)分表，每天生成240張表(歷史表名類似這樣：His_001_2014112615)，終于把一天寫入4億多條記錄并支持簡(jiǎn)單的查詢這個(gè)問題給解決掉了?。?！ 查詢優(yōu)化在上述問題解決之后，這個(gè)項(xiàng)目的難點(diǎn)已經(jīng)解決了一半，項(xiàng)目監(jiān)管也不好意思過來找茬，不知道是出于什么樣的戰(zhàn)術(shù)安排吧。 過了很長一段時(shí)間，到現(xiàn)在快年底了，問題又來了，就是要拖死你讓你在年底不能驗(yàn)收其他項(xiàng)目。 這次要求是這樣的：因?yàn)樯鲜鍪悄M10w個(gè)監(jiān)控指標(biāo)，而現(xiàn)在實(shí)際上線了，卻只有5w個(gè)左右的設(shè)備。那么這個(gè)明顯是不能達(dá)到標(biāo)書要求的，不能驗(yàn)收。那么怎么辦呢？這些聰明的人就想，既然監(jiān)控指標(biāo)減半，那么我們把時(shí)間也減半，不就達(dá)到了嗎：就是說按現(xiàn)在5w的設(shè)備，那你要10s之內(nèi)入庫存儲(chǔ)。我勒個(gè)去啊，按你這個(gè)邏輯，我們?nèi)绻挥?00個(gè)監(jiān)控指標(biāo)，豈不是要在0.1秒內(nèi)入庫？你不考慮下那些受監(jiān)控設(shè)備的感想嗎？ 但是別人要玩你，你能怎么辦？接招唄。結(jié)果把時(shí)間降到10秒之后，問題來了，大家仔細(xì)分析上面邏輯可以知道，分表是按采集器分的，現(xiàn)在采集器減少，但是數(shù)量增加了，發(fā)生什么事情呢，寫入可以支持，但是，每張表的記錄接近了400w，有些采集設(shè)備監(jiān)控指標(biāo)多的，要接近600w，怎么破？ 于是技術(shù)相關(guān)人員開會(huì)討論相關(guān)的舉措。 在不加索引的情況下怎么優(yōu)化查詢？有同事提出了，where子句的順序，會(huì)影響查詢的結(jié)果，因?yàn)榘茨闼⑦x之后的結(jié)果再處理，可以先刷選出一部分?jǐn)?shù)據(jù)，然后繼續(xù)進(jìn)行下一個(gè)條件的過濾。聽起來好像很有道理，但是SQLServer查詢分析器不會(huì)自動(dòng)優(yōu)化嗎？原諒我是個(gè)小白，我也是感覺而已，感覺應(yīng)該跟VS的編譯器一樣，應(yīng)該會(huì)自動(dòng)優(yōu)化吧。 具體怎樣，還是要用事實(shí)來說話： 結(jié)果同事修改了客戶端之后，測(cè)試反饋，有較大的改善。我查看了代碼：
難道真的有這么大的影響？等等，是不是忘記清空緩存，造成了假象？ 于是讓同事執(zhí)行下述語句以便得出更多的信息： --優(yōu)化之前DBCC FREEPROCCACHE
DBCC DROPCLEANBUFFERSSET STATISTICS IO ONselect Dtime,Value from dbo.his20140825 WHERE Dtime>='' AND Dtime<='' AND MgrObjId='' AND Id=''SET STATISTICS IO OFF--優(yōu)化之后DBCC FREEPROCCACHE
DBCC DROPCLEANBUFFERSSET STATISTICS IO ONselect Dtime,Value from dbo.his20140825 WHERE MgrObjId='' AND Id='' AND Dtime>='' AND Dtime<=''SET STATISTICS IO OFF 結(jié)果如下：
優(yōu)化之前反而更好了？ 仔細(xì)查看IO數(shù)據(jù)，發(fā)現(xiàn)，預(yù)讀是一樣的，就是說我們要查詢的數(shù)據(jù)記錄都是一致的，物理讀、表掃描也是一直的。而邏輯讀取稍有區(qū)別，應(yīng)該是緩存命中數(shù)導(dǎo)致的。也就是說，在不建立索引的情況下，where子句的條件順序，對(duì)查詢結(jié)果優(yōu)化作用不明顯。 那么，就只能通過索引的辦法了。 建立索引的嘗試建立索引不是簡(jiǎn)單的事情，是需要了解一些基本的知識(shí)的，在這個(gè)過程中，我走了不少彎路，最終才把索引建立起來。 下面的實(shí)驗(yàn)基于以下記錄總數(shù)做的驗(yàn)證：
按單個(gè)字段建立索引 這個(gè)想法，主要是受我建立數(shù)據(jù)結(jié)構(gòu)影響的，我內(nèi)存中的數(shù)據(jù)結(jié)構(gòu)為：
先按MgrObjId建立索引，索引大小為550M，耗時(shí)5分25秒。結(jié)果，如上圖的預(yù)估計(jì)劃一樣，根本沒有起作用，反而更慢了。 按多個(gè)條件建立索引 OK，既然上面的不行，那么我們按多個(gè)條件建立索引又如何？ 結(jié)果，查詢速度確實(shí)提高了一倍：
等等，難道這就是索引的好處？花費(fèi)7分25秒，用1.1G的空間換取來的就是這些？肯定是有什么地方不對(duì)了，于是開始翻查資料，查看一些相關(guān)書籍，最終，有了較大的進(jìn)展。 正確的建立索引首先，我們需要明白幾個(gè)索引的要點(diǎn)：
跟上述幾點(diǎn)原則，我們建立以下的索引： 耗費(fèi)時(shí)間為：6分多鐘，索引大小為903M。 我們看看預(yù)估計(jì)劃：
可以看到，這里完全使用了索引，沒有額外的消耗。而實(shí)際執(zhí)行的結(jié)果，1秒都不到，竟然不用一秒就在1100w的記錄中把結(jié)果篩選了出來?。洿袅耍。?/p> 怎么應(yīng)用索引?既然寫入完成了、讀取完成了，怎么結(jié)合呢？我們可以把一個(gè)小時(shí)之前的數(shù)據(jù)建立索引，當(dāng)前一個(gè)小時(shí)的數(shù)據(jù)就不建立索引。也就是，不要再創(chuàng)建表的時(shí)候建立索引！！ 還能怎么優(yōu)化可以嘗試讀寫分離，寫兩個(gè)庫，一個(gè)是實(shí)時(shí)庫，一個(gè)是只讀庫。一個(gè)小時(shí)內(nèi)的數(shù)據(jù)查詢實(shí)時(shí)庫，一個(gè)小時(shí)之前的數(shù)據(jù)查詢只讀庫；只讀庫定時(shí)存儲(chǔ)，然后建立索引；超過一個(gè)星期的數(shù)據(jù)，進(jìn)行分析處理再存儲(chǔ)。這樣，無論查詢什么時(shí)間段的數(shù)據(jù)，都能夠正確處理了——一個(gè)小時(shí)之內(nèi)的查詢實(shí)時(shí)庫，一個(gè)小時(shí)到一個(gè)星期內(nèi)的查詢只讀庫，一個(gè)星期之前的查詢報(bào)表庫。 如果不需要物理分表，則在只讀庫中，定時(shí)重建索引即可。 總結(jié)如何在SQLServer中處理億萬級(jí)別的數(shù)據(jù)(歷史數(shù)據(jù))，可以按以下方面進(jìn)行：
轉(zhuǎn)自：http://www.cnblogs.com/marvin/p/4123745.html 該文章在 2024/6/6 9:52:49 編輯過 |
關(guān)鍵字查詢
相關(guān)文章
正在查詢... 
|
400 186 1886
