如何将 MongoDB MapReduce 速度提升 20 倍

jopen 11年前

分析在MongoDB中正成为越来越重要的话题,因为它在越来越多的大型项目中使用。人们厌倦了使用不同的软件来做分析(包括Hadoop),它们显然需要传输大量开销的数据。

MongoDB提供了两种内置分析数据的方法:Map Reduce和Aggregation框架。MR非常灵活,很容易部署。它通过分区工作良好,并允许大量输出。MR在MongoDB v2.4中,通过使用JavaScript引擎把Spider Monkey替换成V8,性能提升很多。老板抱怨它太慢了,尤其是和Agg框架(使用C++)相比。让我们看看能否从中榨出点果汁。

练习

让我们插入1千万条文档,每个文档包含一个从0到1000000的整数。这意味着平均有10个文档会具有相同的值。

> for (var i = 0; i < 10000000; ++i){ db.uniques.insert({ dim0: Math.floor(Math.random()*1000000) });}  > db.uniques.findOne()  { "_id" : ObjectId("51d3c386acd412e22c188dec"), "dim0" : 570859 }  > db.uniques.ensureIndex({dim0: 1})  > db.uniques.stats()  {          "ns" : "test.uniques",          "count" : 10000000,          "size" : 360000052,          "avgObjSize" : 36.0000052,          "storageSize" : 582864896,          "numExtents" : 18,          "nindexes" : 2,          "lastExtentSize" : 153874432,          "paddingFactor" : 1,          "systemFlags" : 1,          "userFlags" : 0,          "totalIndexSize" : 576040080,          "indexSizes" : {                  "_id_" : 324456384,                  "dim0_1" : 251583696          },          "ok" : 1  }

从这其中,我们想要计算出现的不同值的个数。可以用下列MR任务轻松完成这个工作:

> db.runCommand(  { mapreduce: "uniques",   map: function () { emit(this.dim0, 1); },   reduce: function (key, values) { return Array.sum(values); },   out: "mrout" })  {          "result" : "mrout",          "timeMillis" : 1161960,          "counts" : {                  "input" : 10000000,                  "emit" : 10000000,                  "reduce" : 1059138,                  "output" : 999961          },          "ok" : 1  }

正如你在输出内容中看到的,这耗费了大概1200秒(在EC2 M3实例上进行的测试)。有1千万个map,1百万个reduce,输出了999961个文档。结果就像下面这样:

> db.mrout.find()  { "_id" : 1, "value" : 10 }  { "_id" : 2, "value" : 5 }  { "_id" : 3, "value" : 6 }  { "_id" : 4, "value" : 10 }  { "_id" : 5, "value" : 9 }  { "_id" : 6, "value" : 12 }  { "_id" : 7, "value" : 5 }  { "_id" : 8, "value" : 16 }  { "_id" : 9, "value" : 10 }  { "_id" : 10, "value" : 13 }  ...

使用排序

我在上一篇博文中提到了在MR中使用排序多么有益。这个特性很少被理解。在这个例子中,处理未排序的输入意味着MR引擎将得到随机顺序的值,在RAM中根本无法reduce。相反,它将不得不把所有文章写入一个临时收集的磁盘,然后按顺序读取并reduce。让我们看看使用排序是否有助:

> db.runCommand(  { mapreduce: "uniques",   map: function () { emit(this.dim0, 1); },   reduce: function (key, values) { return Array.sum(values); },   out: "mrout",   sort: {dim0: 1} })  {          "result" : "mrout",          "timeMillis" : 192589,          "counts" : {                  "input" : 10000000,                  "emit" : 10000000,                  "reduce" : 1000372,                  "output" : 999961          },          "ok" : 1  }

确实大有助益!我们下降到192秒,已经提升了6倍。reduce的数量基本相同,但现在它们在写入磁盘前,可以在RAM内完成。

使用多线程

MongoDB对单独的MR作业并不使用多线程——它仅仅对多作业使用多线程。但通过多核CPU,在单个服务器使用Hadoop风格来并行作业非常有优势。我们需要做的是把输入分成几块,通过各个块来加速一个MR作业。也许数据集有简单的方法来分割,但其他使用splitVector命令(不明确)可以使你很快的找到分割点:

> db.runCommand({splitVector: "test.uniques", keyPattern: {dim0: 1}, maxChunkSizeBytes: 32000000})  {      "timeMillis" : 6006,   "splitKeys" : [    {     "dim0" : 18171    },    {     "dim0" : 36378    },    {     "dim0" : 54528    },    {     "dim0" : 72717    },  …    {     "dim0" : 963598    },    {     "dim0" : 981805    }   ],   "ok" : 1  }
这个命令在超过1千万个文档中找到分割点仅仅需要花费5秒,很快!那么现在我们仅仅需要一个方法来创建多个MR作业。从一个应用服务器,使用多线程和为MR命令使用$gt/$It查询 相当简单。通过shell,你可以使用ScopedThread,使用方法如下:

> var t = new ScopedThread(mapred, 963598, 981805)  > t.start()  > t.join()

现在我们把一些快速运行的js代码放在一起,它们会产生4个线程(或者更多的线程),执行后呈现出下面的结果:

> var res = db.runCommand({splitVector: "test.uniques", keyPattern: {dim0: 1}, maxChunkSizeBytes: 32 *1024 * 1024 })  > var keys = res.splitKeys  > keys.length  39  > var mapred = function(min, max) {   return db.runCommand({ mapreduce: "uniques",   map: function () { emit(this.dim0, 1); },   reduce: function (key, values) { return Array.sum(values); },   out: "mrout" + min,   sort: {dim0: 1},   query: { dim0: { $gte: min, $lt: max } } }) }  > var numThreads = 4  > var inc = Math.floor(keys.length / numThreads) + 1  > threads = []; for (var i = 0; i < numThreads; ++i) { var min = (i == 0) ? 0 : keys[i * inc].dim0; var max = (i * inc + inc >= keys.length) ? MaxKey : keys[i * inc + inc].dim0 ; print("min:" + min + " max:" + max); var t = new ScopedThread(mapred, min, max); threads.push(t); t.start() }  min:0 max:274736  min:274736 max:524997  min:524997 max:775025  min:775025 max:{ "$maxKey" : 1 }  connecting to: test  connecting to: test  connecting to: test  connecting to: test  > for (var i in threads) { var t = threads[i]; t.join(); printjson(t.returnData()); }  {           "result" : "mrout0",          "timeMillis" : 205790,          "counts" : {                  "input" : 2750002,                  "emit" : 2750002,                  "reduce" : 274828,                  "output" : 274723          },          "ok" : 1  }  {           "result" : "mrout274736",          "timeMillis" : 189868,          "counts" : {                  "input" : 2500013,                  "emit" : 2500013,                  "reduce" : 250364,                  "output" : 250255          },          "ok" : 1  }   {          "result" : "mrout524997",          "timeMillis" : 191449,          "counts" : {                  "input" : 2500014,                  "emit" : 2500014,                  "reduce" : 250120,                  "output" : 250019          },  "ok" : 1  }  {          "result" : "mrout775025",          "timeMillis" : 184945,          "counts" : {                  "input" : 2249971,                  "emit" : 2249971,                  "reduce" : 225057,                  "output" : 224964          },          "ok" : 1  }           "ok" : 1  }  {          "result" : "mrout775025",          "timeMillis" : 184945,          "counts" : {                  "input" : 2249971,                  "emit" : 2249971,                  "reduce" : 225057,                  "output" : 224964          },          "ok" : 1  }

第一个线程时间确实超过了其他的线程,但是平均每个线程仍然用了大约190s的时间.这意味着并没有一个线程快!这有点奇怪,自从用了‘top’,在某种程度上,你可以看到所有的内核运行情况。

使用多数据库

问题是在多线程之间会有很多锁竞争。在上锁时,MR并不是那么无私的(它每1000次读操作就会产生一次锁定),而且MR任务还会执行许多写操作,导致线程最终都会在等待另一个线程。由于每个MongoDB数据库都有私有锁,让我们尝试为每一个线程使用一个不同的输出数据库:

> var mapred = function(min, max) {   return db.runCommand({ mapreduce: "uniques",   map: function () { emit(this.dim0, 1); },   reduce: function (key, values) { return Array.sum(values); },   out: { replace: "mrout" + min, db: "mrdb" + min },   sort: {dim0: 1},   query: { dim0: { $gte: min, $lt: max } } }) }  > threads = []; for (var i = 0; i < numThreads; ++i) { var min = (i == 0) ? 0 : keys[i * inc].dim0; var max = (i * inc + inc >= keys.length) ? MaxKey : keys[i * inc + inc].dim0 ; print("min:" + min + " max:" + max); var t = new ScopedThread(mapred, min, max); threads.push(t); t.start() }  min:0 max:274736  min:274736 max:524997  min:524997 max:775025  min:775025 max:{ "$maxKey" : 1 }  connecting to: test  connecting to: test  connecting to: test  connecting to: test  > for (var i in threads) { var t = threads[i]; t.join(); printjson(t.returnData()); }  ...  {           "result" : {                  "db" : "mrdb274736",                  "collection" : "mrout274736"          },          "timeMillis" : 105821,          "counts" : {                  "input" : 2500013,                  "emit" : 2500013,                  "reduce" : 250364,                  "output" : 250255          },          "ok" : 1  }  ...

这才像话!我们现在降到了100秒,这意味着相比一个线程而言已经提升了2倍。还算差强人意吧。现在我们只有4个核所以只快了2倍,要是在8核CPU上将会快4倍,以此类推。

使用纯JavaScript模式

当把输入数据拆分到不同线程上去的时候,发生了一些有趣的事情:每个线程现在有大约250000个不同的值来输出,而不是1百万。这意味着我们可以使用“纯JS模式”,它可以通过使用jsMode:true来开启。开启后,MongoDB在处理时将不会把对象在JS和BSON之间来回翻译,相反,它使用一个限额500000个key的内部JS字典来化简所有对象。让我们看看这是否有用:

> var mapred = function(min, max) {   return db.runCommand({ mapreduce: "uniques",   map: function () { emit(this.dim0, 1); },   reduce: function (key, values) { return Array.sum(values); },   out: { replace: "mrout" + min, db: "mrdb" + min },   sort: {dim0: 1},   query: { dim0: { $gte: min, $lt: max } },   jsMode: true }) }  > threads = []; for (var i = 0; i < numThreads; ++i) { var min = (i == 0) ? 0 : keys[i * inc].dim0; var max = (i * inc + inc >= keys.length) ? MaxKey : keys[i * inc + inc].dim0 ; print("min:" + min + " max:" + max); var t = new ScopedThread(mapred, min, max); threads.push(t); t.start() }  min:0 max:274736  min:274736 max:524997  min:524997 max:775025  min:775025 max:{ "$maxKey" : 1 }  connecting to: test  connecting to: test  connecting to: test  connecting to: test  > for (var i in threads) { var t = threads[i]; t.join(); printjson(t.returnData()); }  ...  {           "result" : {                  "db" : "mrdb274736",                  "collection" : "mrout274736"          },          "timeMillis" : 70507,          "counts" : {                  "input" : 2500013,                  "emit" : 2500013,                  "reduce" : 250156,                  "output" : 250255          },          "ok" : 1  }  ...

现在我们降到了70秒,就搞定了任务!jsMode真心有用,尤其是当对象有很多字段的时候。这里只有一个数字字段就已经下降了30%。

MongoDB在2.6版本上的改进

在很早的2.6版本中,在任何的js函数调用的时候,我们就通过一段代码设置一个可选参数”args“。这种做法并不标准,不在使用。但是它确有留下来的原因(查看 SERVER-4654)。让我们从Git资源库中导入MongoDB,编译并运行进行测试:

...  {           "result" : {                  "db" : "mrdb274736",                  "collection" : "mrout274736"          },          "timeMillis" : 62785,          "counts" : {                  "input" : 2500013,                  "emit" : 2500013,                  "reduce" : 250156,                  "output" : 250255          },          "ok" : 1  }  ...

这是明显的提高了3倍的运行速度,时间降低到了60s,大约10-15%。这种变化也提高了整体JS引擎的堆消耗。

结语

回顾一下,对于同一个MR作业,我们开始时花费1200秒,最后花费60秒,提升了20倍!这项提高应该对大部分应用都有效,即使有些trick不太理想(例如,使用多种输出dbs/collections)。至少这能提供给人们思路,如何加速他们的MR作业,希望这些特征在将来会更加易于使用。接下来的将使得‘splitVector’命令更加有用,这张将在同一个数据库中提升多MR作业。干杯!