MongoDB MapReduce速度提升20倍的优化宝典

时间:2021-12-01 14:29:54
MongoDB提供的MapReduce非常灵活,对于大规模数据分析也相当实用。尽管MongoDB 2.4中MapReduce有了大幅改进,但是相对来说其性能还是有很大的提升空间。本文就来尝试找出让MapReduce速度最大化提升的方法。

自从MongoDB被越来越多的大型关键项目采用后,数据分析也成为了越来越重要的话题。人们似乎已经厌倦了使用不同的软件来进行分析(这都利用到了Hadoop),因为这些方法往往需要大规模的数据传输,而这些成本相当昂贵。

MongoDB提供了2种方式来对数据进行分析:Map Reduce(以下简称MR)和聚合框架(Aggregation Framework)。MR非常灵活且易于使用,它可以很好地与分片(sharding)结合使用,并允许大规模输出。尽管在MongoDB v2.4版本中,由于JavaScript引擎从Spider切换到了V8,使得MR的性能有了大幅改进,但是与Agg Framework(使用C++)相比,MR的速度还是显得比较慢。本文就来看看,有哪些方法可以让MR的速度有所提升。

测试

首先我们来做个测试,插入1000万文档,这些文档中包含了介于0和100万之间的单一整数值,这意味着,平均每10个文档具有相同的值。

[js]  view plain copy
  1. for (var i = 0; i < 10000000; ++i){ db.uniques.insert({ dim0: Math.floor(Math.random()*1000000) });}  
  2. > db.uniques.findOne()  
  3. "_id" : ObjectId("51d3c386acd412e22c188dec"), "dim0" : 570859 }  
  4. > db.uniques.ensureIndex({dim0: 1})  
  5. > db.uniques.stats()  
  6. {  
  7.         "ns" : "test.uniques",  
  8.         "count" : 10000000,  
  9.         "size" : 360000052,  
  10.         "avgObjSize" : 36.0000052,  
  11.         "storageSize" : 582864896,  
  12.         "numExtents" : 18,  
  13.         "nindexes" : 2,  
  14.         "lastExtentSize" : 153874432,  
  15.         "paddingFactor" : 1,  
  16.         "systemFlags" : 1,  
  17.         "userFlags" : 0,  
  18.         "totalIndexSize" : 576040080,  
  19.         "indexSizes" : {  
  20.                 "_id_" : 324456384,  
  21.                 "dim0_1" : 251583696  
  22.         },  
  23.         "ok" : 1  
  24. }  

这里我们想要得到文档中唯一值的计数,可以通过下面的MR任务来轻松完成:

[js]  view plain copy
  1. > db.runCommand(  
  2. { mapreduce: "uniques",   
  3. map: function () { emit(this.dim0, 1); },   
  4. reduce: function (key, values) { return Array.sum(values); },   
  5. out: "mrout" })  
  6. {  
  7.         "result" : "mrout",  
  8.         "timeMillis" : 1161960,  
  9.         "counts" : {  
  10.                 "input" : 10000000,  
  11.                 "emit" : 10000000,  
  12.                 "reduce" : 1059138,  
  13.                 "output" : 999961  
  14.         },  
  15.         "ok" : 1  
  16. }  

正如你看到的,输出结果大约需要1200秒(在EC2 M3实例上测试),共输出了1千万maps、100万reduces、999961个文档。结果类似于:

[js]  view plain copy
  1. > db.mrout.find()  
  2. "_id" : 1, "value" : 10 }  
  3. "_id" : 2, "value" : 5 }  
  4. "_id" : 3, "value" : 6 }  
  5. "_id" : 4, "value" : 10 }  
  6. "_id" : 5, "value" : 9 }  
  7. "_id" : 6, "value" : 12 }  
  8. "_id" : 7, "value" : 5 }  
  9. "_id" : 8, "value" : 16 }  
  10. "_id" : 9, "value" : 10 }  
  11. "_id" : 10, "value" : 13 }  
  12. ...  

下面就来看看如何进行优化。

使用排序

我在之前的这篇文章中简要说明了使用排序对于MR的好处,这是一个鲜为人知的特性。在这种情况下,如果处理未排序的输入,意味着MR引擎将得到随机排序的值,

基本上没有机会在RAM中进行reduce,相反,它将不得不通过一个临时collection来将数据写回磁盘,然后按顺序读取并进行reduce。

下面来看看如果使用排序,会有什么帮助:

[js]  view plain copy
  1. > db.runCommand(  
  2. { mapreduce: "uniques",   
  3. map: function () { emit(this.dim0, 1); },   
  4. reduce: function (key, values) { return Array.sum(values); },   
  5. out: "mrout",   
  6. sort: {dim0: 1} })  
  7. {  
  8.         "result" : "mrout",  
  9.         "timeMillis" : 192589,  
  10.         "counts" : {  
  11.                 "input" : 10000000,  
  12.                 "emit" : 10000000,  
  13.                 "reduce" : 1000372,  
  14.                 "output" : 999961  
  15.         },  
  16.         "ok" : 1  
  17. }  

现在时间降到了192秒,速度提升了6倍。其实reduces的数量是差不多的,但是它们在被写入磁盘之前已经在RAM中完成了。

使用多线程

在MongoDB中,一个单一的MR任务并不能使用多线程——只有在多个任务中才能使用多线程。但是目前的多核CPU非常有利于在单一服务器上进行并行化工作,就像Hadoop。我们需要做的是,将输入数据分割成若干块,并为每个块分配一个MR任务。splitVector命令可以帮助你非常迅速地找到分割点,如果你有更简单的分割方法更好。

[js]  view plain copy
  1. > db.runCommand({splitVector: "test.uniques", keyPattern: {dim0: 1}, maxChunkSizeBytes: 32000000})  
  2. {  
  3.     "timeMillis" : 6006,  
  4.     "splitKeys" : [  
  5.         {  
  6.             "dim0" : 18171  
  7.         },  
  8.         {  
  9.             "dim0" : 36378  
  10.         },  
  11.         {  
  12.             "dim0" : 54528  
  13.         },  
  14.         {  
  15.             "dim0" : 72717  
  16.         },  
  17. …  
  18.         {  
  19.             "dim0" : 963598  
  20.         },  
  21.         {  
  22.             "dim0" : 981805  
  23.         }  
  24.     ],  
  25.     "ok" : 1  
  26. }  

从1千万文档中找出分割点,使用splitVector命令只需要大约5秒,这已经相当快了。所以,下面我们需要做的是找到一种方式来创建多个MR任务。从应用服务器方面来说,使用多线程和$gt / $lt查询命令会非常方便。从shell方面来说,可以使用ScopedThread对象,它的工作原理如下:

[js]  view plain copy
  1. var t = new ScopedThread(mapred, 963598, 981805)  
  2. > t.start()  
  3. > t.join()  

现在我们可以放入一些JS代码,这些代码可以产生4个线程,下面来等待结果显示:

[js]  view plain copy
  1. var res = db.runCommand({splitVector: "test.uniques", keyPattern: {dim0: 1}, maxChunkSizeBytes: 32 *1024 * 1024 })  
  2. var keys = res.splitKeys  
  3. > keys.length  
  4. 39  
  5. var mapred = function(min, max) {   
  6. return db.runCommand({ mapreduce: "uniques",   
  7. map: function () { emit(this.dim0, 1); },   
  8. reduce: function (key, values) { return Array.sum(values); },   
  9. out: "mrout" + min,   
  10. sort: {dim0: 1},   
  11. query: { dim0: { $gte: min, $lt: max } } }) }  
  12. var numThreads = 4  
  13. var inc = Math.floor(keys.length / numThreads) + 1  
  14. > threads = []; for (var i = 0; i < numThreads; ++i) { var min = (i == 0) ? 0 : keys[i * inc].dim0; var max = (i * inc + inc >= keys.length) ? MaxKey : keys[i * inc + inc].dim0 ; print("min:" + min + " max:" + max); var t = new ScopedThread(mapred, min, max); threads.push(t); t.start() }  
  15. min:0 max:274736  
  16. min:274736 max:524997  
  17. min:524997 max:775025  
  18. min:775025 max:{ "$maxKey" : 1 }  
  19. connecting to: test  
  20. connecting to: test  
  21. connecting to: test  
  22. connecting to: test  
  23. for (var i in threads) { var t = threads[i]; t.join(); printjson(t.returnData()); }  
  24. {   
  25.         "result" : "mrout0",  
  26.         "timeMillis" : 205790,  
  27.         "counts" : {  
  28.                 "input" : 2750002,  
  29.                 "emit" : 2750002,  
  30.                 "reduce" : 274828,  
  31.                 "output" : 274723  
  32.         },  
  33.         "ok" : 1  
  34. }  
  35. {   
  36.         "result" : "mrout274736",  
  37.         "timeMillis" : 189868,  
  38.         "counts" : {  
  39.                 "input" : 2500013,  
  40.                 "emit" : 2500013,  
  41.                 "reduce" : 250364,  
  42.                 "output" : 250255  
  43.         },  
  44.         "ok" : 1  
  45. }   
  46. {  
  47.         "result" : "mrout524997",  
  48.         "timeMillis" : 191449,  
  49.         "counts" : {  
  50.                 "input" : 2500014,  
  51.                 "emit" : 2500014,  
  52.                 "reduce" : 250120,  
  53.                 "output" : 250019  
  54.         },  
  55.         "ok" : 1  
  56. }  
  57. {  
  58.         "result" : "mrout775025",  
  59.         "timeMillis" : 184945,  
  60.         "counts" : {  
  61.                 "input" : 2249971,  
  62.                 "emit" : 2249971,  
  63.                 "reduce" : 225057,  
  64.                 "output" : 224964  
  65.         },  
  66.         "ok" : 1  
  67. }  

第1个线程所做的工作比其他的要多一点,但时间仍达到了190秒,这意味着多线程并没有比单线程快!

使用多个数据库

这里的问题是,线程之间存在太多锁争用。当锁时,MR不是非常无私(每1000次读取会进行yield)。由于MR任务做了大量写操作,线程之间结束时会等待彼此。由于MongoDB的每个数据库都有独立的锁,那么让我们来尝试为每个线程使用不同的输出数据库:

[js]  view plain copy
  1. var mapred = function(min, max) {   
  2. return db.runCommand({ mapreduce: "uniques",   
  3. map: function () { emit(this.dim0, 1); },   
  4. reduce: function (key, values) { return Array.sum(values); },   
  5. out: { replace: "mrout" + min, db: "mrdb" + min },   
  6. sort: {dim0: 1},   
  7. query: { dim0: { $gte: min, $lt: max } } }) }  
  8. > threads = []; for (var i = 0; i < numThreads; ++i) { var min = (i == 0) ? 0 : keys[i * inc].dim0; var max = (i * inc + inc >= keys.length) ? MaxKey : keys[i * inc + inc].dim0 ; print("min:" + min + " max:" + max); var t = new ScopedThread(mapred, min, max); threads.push(t); t.start() }  
  9. min:0 max:274736  
  10. min:274736 max:524997  
  11. min:524997 max:775025  
  12. min:775025 max:{ "$maxKey" : 1 }  
  13. connecting to: test  
  14. connecting to: test  
  15. connecting to: test  
  16. connecting to: test  
  17. for (var i in threads) { var t = threads[i]; t.join(); printjson(t.returnData()); }  
  18. ...  
  19. {   
  20.         "result" : {  
  21.                 "db" : "mrdb274736",  
  22.                 "collection" : "mrout274736"  
  23.         },  
  24.         "timeMillis" : 105821,  
  25.         "counts" : {  
  26.                 "input" : 2500013,  
  27.                 "emit" : 2500013,  
  28.                 "reduce" : 250364,  
  29.                 "output" : 250255  
  30.         },  
  31.         "ok" : 1  
  32. }  
  33. ...  

所需时间减少到了100秒,这意味着与一个单独的线程相比,速度约提高2倍。尽管不如预期,但已经很不错了。在这里,我使用了4个核心,只提升了2倍,如果使用8核CPU,大约会提升4倍。

使用纯JavaScript模式

在线程之间分割输入数据时,有一些非常有趣的东西:每个线程只拥有约25万主键来输出,而不是100万。这意味着我们可以使用“纯JS模式”——通过jsMode:true来启用。开启后,MongoDB不会在JS和BSON之间反复转换,相反,它会从内部的一个50万主键的JS字典来reduces所有对象。下面来看看该操作是否对速度提升有帮助。

[js]  view plain copy
  1. var mapred = function(min, max) {   
  2. return db.runCommand({ mapreduce: "uniques",   
  3. map: function () { emit(this.dim0, 1); },   
  4. reduce: function (key, values) { return Array.sum(values); },   
  5. out: { replace: "mrout" + min, db: "mrdb" + min },   
  6. sort: {dim0: 1},   
  7. query: { dim0: { $gte: min, $lt: max } },   
  8. jsMode: true }) }  
  9. > threads = []; for (var i = 0; i < numThreads; ++i) { var min = (i == 0) ? 0 : keys[i * inc].dim0; var max = (i * inc + inc >= keys.length) ? MaxKey : keys[i * inc + inc].dim0 ; print("min:" + min + " max:" + max); var t = new ScopedThread(mapred, min, max); threads.push(t); t.start() }  
  10. min:0 max:274736  
  11. min:274736 max:524997  
  12. min:524997 max:775025  
  13. min:775025 max:{ "$maxKey" : 1 }  
  14. connecting to: test  
  15. connecting to: test  
  16. connecting to: test  
  17. connecting to: test  
  18. for (var i in threads) { var t = threads[i]; t.join(); printjson(t.returnData()); }  
  19. ...  
  20. {   
  21.         "result" : {  
  22.                 "db" : "mrdb274736",  
  23.                 "collection" : "mrout274736"  
  24.         },  
  25.         "timeMillis" : 70507,  
  26.         "counts" : {  
  27.                 "input" : 2500013,  
  28.                 "emit" : 2500013,  
  29.                 "reduce" : 250156,  
  30.                 "output" : 250255  
  31.         },  
  32.         "ok" : 1  
  33. }  
  34. ...  

现在时间降低到70秒。看来jsMode确实有帮助,尤其是当对象有很多字段时。该示例中是一个单一的数字字段,不过仍然提升了30%。

MongoDB v2.6版本中的改进

在MongoDB v2.6版本的开发中,移除了一段关于在JS函数调用时的一个可选“args”参数的代码。该参数是不标准的,也不建议使用,它由于历史原因遗留了下来(见SERVER-4654)。让我们从Git库中pull最新的MongoDB并编译,然后再次运行测试用例:

[js]  view plain copy
  1. ...  
  2. {   
  3.         "result" : {  
  4.                 "db" : "mrdb274736",  
  5.                 "collection" : "mrout274736"  
  6.         },  
  7.         "timeMillis" : 62785,  
  8.         "counts" : {  
  9.                 "input" : 2500013,  
  10.                 "emit" : 2500013,  
  11.                 "reduce" : 250156,  
  12.                 "output" : 250255  
  13.         },  
  14.         "ok" : 1  
  15. }  
  16. ...  

从结果来看,时间降低到了60秒,速度大约提升了10-15%。同时,这种更改也改善了JS引擎的整体堆消耗量。

结论

回头来看,对于同样的MR任务,与最开始时的1200秒相比,速度已经提升了20倍。这种优化应该适用于大多数情况,即使一些技巧效果不那么理想(比如使用多个输出dbs /集合)。但是这些技巧可以帮助人们来提升MR任务的速度,未来这些特性也许会更加易用——比如,这个ticket 将会使splitVector命令更加可用,这个ticket将会改进同一数据库中的多个MR任务。