用 Node + MySQL 处理 100G 数据

GeoMosher 7年前
   <p>通过这个 Node.js 和 MySQL 示例项目,我们将看看如何有效地处理 <strong>数十亿行</strong> 占用 <strong>数百GB</strong> 存储空间的数据。</p>    <p>本文的第二个目标是帮助你确定 Node.js + MySQL 是否适合你的需求,并为实现此类解决方案提供帮助。</p>    <p>本文章使用的实际代码 <a href="/misc/goto?guid=4959749822760776077" rel="nofollow,noindex">可以在 GitHub 上找到</a> 。</p>    <h2>为什么使用 Node.js 和 MySQL?</h2>    <p>我们使用 MySQL 来存储我们的 <a href="/misc/goto?guid=4959749822852014026" rel="nofollow,noindex">Node.js监控和调试工具</a> 用户的分布式跟踪数据 Trace。</p>    <p>我们选择了 MySQL,因为在决定的时候,Postgres 并不是很擅长更新行,而对于我们来说,更新不可变数据是不合理的。</p>    <p>大多数人认为,如果有数百万的数十亿行,他们应该使用一个 NoSQL 解决方案,如 Cassandra 或 Mongo。</p>    <p>不幸的是,这些解决方案不 <a href="/misc/goto?guid=4958988928256894195" rel="nofollow,noindex">符合ACID</a> ,当数据一致性非常重要时,这些解决方案就难以使用。</p>    <p>然而,通过良好的索引和适当的规划,MySQL 可以作为上面提到的 NoSQL 的一种替代方案,很适合这样的任务。</p>    <p>MySQL 有几个存储引擎。 InnoDB 是默认的,它功能最多。但是,应该考虑到 InnoDB 表是不可变的,这意味着每个 ALTER TABLE 语句都将所有的数据复制到一个新的表中。 <em>当需要迁移已经存在的数据库时,这会更加糟糕。</em></p>    <p>如果你有名义值,每个都有很多关联的数据 —— 例如你的每个用户都有数百万个产品,并且你拥有大量用户 —— 这可能是为每个用户创建表格最简单的方法,并给出如 <user_id>_<entity_name> 。 <strong>这样可以显著减少单个表的大小。</strong></p>    <p>此外,在删除帐户的情况下,删除用户的数据是 O(1) 量级的操作。这是非常重要的,因为如果你需要从大表中删除大量的值,MySQL可能会决定使用错误的索引或不使用索引。</p>    <p>因为不能使用索引提示 DELETE 会让事情变得更复杂。你可能需要 ALTER 来删除你的数据,但这意味着将每行复制到新表。</p>    <p>为每个用户创建表格显然增加了复杂性,但是当涉及到删除具有大量相关数据的用户或类似实体时,这可能是一个有效的办法。</p>    <p>但是,在进行动态创建表之前,你应该尝试删除块中的行,因为它也可能有帮助,可以减少附加复杂性。当然,如果你的添加数据速度比你删除的速度更快,你可能会感觉上述解决方案是个坑。</p>    <p>但是,如果你的表在分离用户后仍然很大,导致你还需要删除过期的行呢?你添加数据速度仍然比你删除的速度更快。 <strong>在这种情况下,你应该尝试使用 MySQL 内置的表分区。</strong> 当你需要通过按顺序或连续递增的值(例如创建的时间戳)来切割表时,它很方便。</p>    <h2>MySQL 表分区</h2>    <p>MySQL 中一个表的表分区将像多个表一样工作,但你可以使用与之前相同的界面,不需要更多应用程序的附加逻辑。这也意味着你可以像删除表一样删除表分区。</p>    <p>这个 <a href="/misc/goto?guid=4959749822967661227" rel="nofollow,noindex">文档</a> 很好,但也很繁琐(毕竟这不是一个简单的话题),所以让我们快速看一下如何创建一个表分区。</p>    <p>我们处理我们的分区的方式是从 <a href="/misc/goto?guid=4959555285055762927" rel="nofollow,noindex">Rick James</a> 的文章中获取的。他还深入探讨了如何规划你的数据表。</p>    <pre>  <code class="language-sql">CREATE TABLE IF NOT EXISTS tbl (     id INTEGER NOT NULL AUTO_INCREMENT,     data VARCHAR(255) NOT NULL,     created_at DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP,     PRIMARY KEY (id, created_at)   )   PARTITION BY RANGE (TO_DAYS(created_at)) (     start VALUES LESS THAN (0),     from20170514 VALUES LESS THAN (TO_DAYS('2017-05-15')),     from20170515 VALUES LESS THAN (TO_DAYS('2017-05-16')),     from20170516 VALUES LESS THAN (TO_DAYS('2017-05-17')),     future VALUES LESS THAN MAXVALUE   );</code></pre>    <p>PARTITION BY RANGE 之后才是我们关注的焦点。</p>    <p>在 MySQL 中,你可以通过 RANGE , LIST , COLUMN , HASH 和 KEY 进行分区,你可以在 <a href="/misc/goto?guid=4959749822967661227" rel="nofollow,noindex">文档</a> 中找到它们。请注意,分区键必须是主键或任何唯一的索引。</p>    <p>from<date> 开始的那些语句含义应该是不言自明的。每个分区都保存 created_at 列小于第二天的值。这也意味着从 from20120414 保留所有在 2012-04-15 以前的数据,所以这是执行清理时我们将删除的分区。</p>    <p>future 和 start 分区需要一些解释: future 持有我们尚未定义日期的数据。如果我们不能及时重新分区, 2017-05-17 以后的所有数据都将储存在 future ,确保我们不会丢失任何数据。 start 也是一个安全网。我们期望所有行都有一个 DATETIME 和 created_at 值,但是我们需要为可能的错误做好准备。如果由于某种原因,有一行最终会出现 NULL ,那么它将在 start 分区中,这表示我们需要进行 debug。</p>    <p>当你使用分区时,MySQL 将该数据保存在磁盘的不同部分,就像它们是独立的表一样,并根据分区键自动组织数据。</p>    <p>要考虑到的一些限制:</p>    <ul>     <li>不支持查询缓存。</li>     <li>分区的 InnoDB 表不支持外键。</li>     <li>分区表不支持 FULLTEXT 索引或搜索。</li>    </ul>    <p>还有 <a href="/misc/goto?guid=4959749823095486062" rel="nofollow,noindex">更多的限制</a> ,但是在 <a href="/misc/goto?guid=4959749823174712532" rel="nofollow,noindex">RisingStack</a> 采用分区表之后,我们感触最大的一个限制是。</p>    <p>如果要创建新分区,则需要重新组织一个现有分区,并将其分解以满足你的需求:</p>    <pre>  <code class="language-sql">ALTER TABLE tbl     REORGANIZE PARTITION future INTO (       from20170517 VALUES LESS THAN (TO_DAYS('2017-05-18')),       from20170518 VALUES LESS THAN (TO_DAYS('2017-05-19')),       PARTITION future VALUES LESS THAN MAXVALUE     );</code></pre>    <p>删除分区需要一个 alter table,尽管它会让你感觉你是在删除一个表:</p>    <pre>  <code class="language-sql">ALTER TABLE tbl     DROP PARTITION from20170517, from20170518;</code></pre>    <p>你可以看到,你必须在语句中包括分区的实际名称和描述。 它们不能由 MySQL 动态生成,所以你必须在应用程序逻辑中处理它。这就是我们接下来的内容。</p>    <h2>Node.js 和 MySQL 的表分区示例</h2>    <p>我们来看看实际的解决方案。对于这里的示例,我们将使用 <a href="/misc/goto?guid=4959615068640697402" rel="nofollow,noindex">knex</a> ,它是为 JavaScript 而生的查询构建器。如果你熟悉 SQL,应该对代码感觉很熟悉。</p>    <p>首先,我们创建表:</p>    <pre>  <code class="language-sql">const dedent = require('dedent')   const _ = require('lodash')   const moment = require('moment')     const MAX_DATA_RETENTION = 7   const PARTITION_NAME_DATE_FORMAT = 'YYYYMMDD'     Table.create = function () {     return knex.raw(dedent      CREATE TABLE IF NOT EXISTS \${tableName}\ (         \id\ INTEGER NOT NULL AUTO_INCREMENT,         \data\ VARCHAR(255) NOT NULL,         \created_at\ DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP,         PRIMARY KEY (\id\, \created_at\)       )       PARTITION BY RANGE ( TO_DAYS(\created_at\)) (         PARTITION \start\ VALUES LESS THAN (0),         ${Table.getPartitionStrings()}         PARTITION \future\ VALUES LESS THAN MAXVALUE       );     )   }     Table.getPartitionStrings = function () {     const days = _.range(MAX_DATA_RETENTION - 2, -2, -1)     const partitions = days.map((day) => {       const tomorrow = moment().subtract(day, 'day').format('YYYY-MM-DD')       const today = moment().subtract(day + 1, 'day').format(PARTITION_NAME_DATE_FORMAT)       return PARTITION \from${today}\ VALUES LESS THAN (TO_DAYS('${tomorrow}')),     })     return partitions.join('\n')   }</code></pre>    <p>它实际上是我们前面看到的相同的语句,但是我们必须动态地创建分区的名称和描述。这就是为什么我们创建了 getPartitionStrings 方法。</p>    <p>第一行是:</p>    <pre>  <code class="language-sql">const days = _.range(MAX_DATA_RETENTION - 2, -2, -1)</code></pre>    <p>MAX_DATA_RETENTION - 2 = 5 创建从 5 到 -2(最后一个值排除)-> [ 5, 4, 3, 2, 1, 0, -1 ] 的序列,然后从当前时间中减去这些值,并创建分区名称的( today )及其限制( tomorrow )。顺序是至关重要的,因为在语句中分区值不会增长时 MySQL 会抛出错误。</p>    <h3>MySQL 和 Node.js 大规模数据删除示例</h3>    <p>现在我们来看一下数据删除。你可以 <a href="/misc/goto?guid=4959749823282535692" rel="nofollow,noindex">在这里</a> 看到整个代码。</p>    <p>第一种方法, removeExpired 获取当前分区的列表,然后将其传递给 repartition 。</p>    <pre>  <code class="language-sql">const _ = require('lodash')     Table.removeExpired = function (dataRetention) {     return Table.getPartitions()       .then((currentPartitions) => Table.repartition(dataRetention, currentPartitions))   }     Table.getPartitions = function () {     return knex('information_schema.partitions')       .select(knex.raw('partition_name as name'), knex.raw('partition_description as description')) // description holds the day of partition in mysql days       .where('table_schema', dbName)       .andWhere('partition_name', 'not in', [ 'start', 'future' ])       .then((partitions) => partitions.map((partition) => ({         name: partition.name,         description: partition.description === 'MAX_VALUE' ? 'MAX_VALUE' : parseInt(partition.description)       })))   }     Table.repartition = function (dataRetention, currentPartitions) {     const partitionsThatShouldExist = Table.getPartitionsThatShouldExist(dataRetention, currentPartitions)       const partitionsToBeCreated = _.differenceWith(partitionsThatShouldExist, currentPartitions, (a, b) => a.description === b.description)       const partitionsToBeDropped = _.differenceWith(currentPartitions, partitionsThatShouldExist, (a, b) => a.description === b.description)       const statement = dedent       ${Table.reorganizeFuturePartition(partitionsToBeCreated)} ${Table.dropOldPartitions(partitionsToBeDropped)}       return knex.raw(statement)   }</code></pre>    <p>首先,我们从 MySQL 维护的 information_schema.partitions 表中选择所有当前存在的分区。</p>    <p>然后我们创建该表应该存在的所有分区。如果 A 是存在的分区集合, B 是应该存在的分区集合</p>    <p>partitionsToBeCreated = B \ A</p>    <p>partitionsToBeDropped = A \ B</p>    <p>getPartitionsThatShouldExist 创建集合 B</p>    <pre>  <code class="language-sql">Table.getPartitionsThatShouldExist = function (dataRetention, currentPartitions) {     const days = _.range(dataRetention - 2, -2, -1)     const oldestPartition = Math.min(...currentPartitions.map((partition) => partition.description))     return days.map((day) => {       const tomorrow = moment().subtract(day, 'day')       const today = moment().subtract(day + 1, 'day')       if (Table.getMysqlDay(today) < oldestPartition) {         return null       }         return {         name: from${today.format(PARTITION_NAME_DATE_FORMAT)},         description: Table.getMysqlDay(tomorrow)       }     }).filter((partition) => !!partition)   }     Table.getMysqlDay = function (momentDate) {     return momentDate.diff(moment([ 0, 0, 1 ]), 'days') // mysql dates are counted since 0 Jan 1 00:00:00   }</code></pre>    <p>分区对象的创建与 CREATE TABLE ... PARTITION BY RANGE 非常相似。检查我们即将创建的分区是否比当前最旧的分区更旧,这一点至关重要:可能需要随时间更改 dataRetention 。</p>    <p>以下情况为例:</p>    <p>假设你的用户开始保留 7 天的数据,但可以选择将其升级到 10 天。开始时,用户用以下顺序覆盖分区天数: [ start, -7, -6, -5, -4, -3, -2, -1, future ] 。一个月左右,用户决定升级。在这种情况下,丢失的分区是 [ -10, -9, -8, 0 ] 。</p>    <p>在清理时,当前的脚本会尝试重新组织 future 分区,使其在当前脚本 <em>之后</em> 附加它们。</p>    <p>在最开始时创建比 -7 天更老的分区是没有意义的,因为那些数据注定是被抛弃的,并且还会导致如下的一个分区列表 [ start, -7, -6, -5, -4, -3, -2, -1, -10, -9, -8, 0, future ] ,由于不是单调增加,因此 MySQL 会抛出错误,清理将失败。</p>    <p>MySQL的 TO_DAYS(date) 函数计算从公元元年( 0 年)1 月 1 日以来的天数,所以我们用 JavaScript 计算这个天数。</p>    <pre>  <code class="language-sql">Table.getMysqlDay = function (momentDate) {     return momentDate.diff(moment([ 0, 0, 1 ]), 'days')   }</code></pre>    <p>现在我们有必须删除的分区和必须创建的分区,我们先为新的一天创建我们的新分区。</p>    <pre>  <code class="language-sql">Table.reorganizeFuturePartition = function (partitionsToBeCreated) {     if (!partitionsToBeCreated.length) return '' // there should be only one every day, and it is run hourly, so ideally 23 times a day it should be a noop     const partitionsString = partitionsToBeCreated.map((partitionDescriptor) => {       return PARTITION \${partitionDescriptor.name}\ VALUES LESS THAN (${partitionDescriptor.description}),     }).join('\n')       return dedent       ALTER TABLE \${tableName}\         REORGANIZE PARTITION future INTO (           ${partitionsString}           PARTITION \future\ VALUES LESS THAN MAXVALUE         );   }</code></pre>    <p>我们只需准备一个创建新分区的语句。</p>    <p>我们每小时运行这个脚本,以确保没有任何遗漏,我们能够每天至少执行一次清理。</p>    <p>所以首先检查一下是否有一个要创建的分区。这只应该在第一次运行时发生,然后剩余 23 次都不会发生。</p>    <p>我们还必须删除过时的分区。</p>    <pre>  <code class="language-sql">Table.dropOldPartitions = function (partitionsToBeDropped) {     if (!partitionsToBeDropped.length) return ''     let statement = ALTER TABLE \${tableName}\\nDROP PARTITION\n     statement += partitionsToBeDropped.map((partition) => {       return partition.name     }).join(',\n')     return statement + ';'   }</code></pre>    <p>此方法创建了我们之前看到的 ALTER TABLE ... DROP PARTITION 语句。</p>    <p>最后,为重组做好了一切的准备。</p>    <pre>  <code class="language-sql">const statement = dedent     ${Table.reorganizeFuturePartition(partitionsToBeCreated)} ${Table.dropOldPartitions(partitionsToBeDropped)}     return knex.raw(statement)</code></pre>    <h2>总结</h2>    <p>如你所见,与流行的观点相反,当你处理大量数据时,可以使用符合 ACID 的 DBMS 解决方案(如MySQL),因此你不一定需要放弃事务数据库的功能。</p>    <p>符合 ACID 的 DBMS 解决方案(如 MySQL)可用于处理大量数据。</p>    <p>但是,表分区有很多限制,这意味着你将无法使用 InnoDB 提供的所有功能来保持数据的一致性。你可能还无法使用外键和 FULLTEXT 搜索来处理应用程序逻辑。</p>    <p>我希望这篇文章可以帮助你确定 MySQL 是否适合你的需求,并帮助你实现解决方案。</p>    <p> </p>    <p>来自:http://www.zcfy.cc/article/node-js-mysql-example-handling-100-x27-s-of-gigabytes-of-data-risingstack-3130.html</p>    <p> </p>