Solr與MySQL查詢性能對比

測試環境

本文簡單對比下Solr與MySQL的查詢性能速度。

測試數據量：10407608     Num Docs: 10407608

普通查詢

這里對MySQL的查詢時間都包含了從MySQL Server獲取數據的時間。

在項目中一個最常用的查詢，查詢某段時間內的數據，SQL查詢獲取數據，30s左右

SELECT * FROM `tf_hotspotdata_copy_test` WHERE collectTime BETWEEN '2014-12-06 00:00:00' AND '2014-12-10 21:31:55';

對collectTime建立索引后，同樣的查詢，2s，快了很多。

Solr索引數據：

<!--Index Field for HotSpot-->
<field name="CollectTime" type="tdate" indexed="true" stored="true"/>
<field name="IMSI" type="string" indexed="true" stored="true"/>
<field name="IMEI" type="string" indexed="true" stored="true"/>
<field name="DeviceID" type="string" indexed="true" stored="true"/>

Solr查詢，同樣的條件，72ms

"status": 0,
    "QTime": 72,
    "params": {
      "indent": "true",
      "q": "CollectTime:[2014-12-06T00:00:00.000Z TO 2014-12-10T21:31:55.000Z]",
      "_": "1434617215202",
      "wt": "json"
    }

好吧，查詢性能提高的不是一點點，用Solrj代碼試試：

SolrQuery params = new SolrQuery();
params.set("q", timeQueryString);
params.set("fq", queryString);
params.set("start", 0); 
params.set("rows", Integer.MAX_VALUE);
params.setFields(retKeys);
QueryResponse response = server.query(params);

Solrj查詢並獲取結果集，結果集大小為220296，返回5個字段，時間為12s左右。

為什么需要這么長時間？上面的"QTime"只是根據索引查詢的時間，如果要從solr服務端獲取查詢到的結果集，solr需要讀取stored的字段（磁盤IO），再經過Http傳輸到本地（網絡IO），這兩者比較耗時，特別是磁盤IO。

時間對比：

查詢條件	時間
MySQL（無索引）	30s
MySQL（有索引）	2s
Solrj（select查詢）	12s

如何優化？看看只獲取ID需要的時間：

SQL查詢只返回id，沒有對collectTime建索引，10s左右：

SELECT id FROM `tf_hotspotdata_copy_test` WHERE collectTime BETWEEN '2014-12-06 00:00:00' AND '2014-12-10 21:31:55';

SQL查詢只返回id，同樣的查詢條件，對collectTime建索引，0.337s，很快。

Solrj查詢只返回id，7s左右，快了一點。

    id Size: 220296

    Time: 7340

時間對比：

查詢條件（只獲取ID）	時間
MySQL（無索引）	10s
MySQL（有索引）	0.337s
Solrj（select查詢）	7s

繼續優化。。

關於Solrj獲取大量結果集速度慢的一些類似問題：

http://stackoverflow.com/questions/28181821/solr-performance#

http://grokbase.com/t/lucene/solr-user/11aysnde25/query-time-help

http://lucene.472066.n3.nabble.com/Solrj-performance-bottleneck-td2682797.html

這個問題沒有好的解決方式，基本的建議都是做分頁，但是我們需要拿到大量數據做一些比對分析，做分頁沒有意義。

偶然看到一個回答，solr默認的查詢使用的是"/select" request handler，可以用"/export" request handler來export結果集，看看solr對它的說明：

It's possible to export fully sorted result sets using a special rank query parser and response writer  specifically designed to work together to handle scenarios that involve sorting and exporting millions of records. This uses a stream sorting techniquethat begins to send records within milliseconds and continues to stream results until the entire result set has been sorted and exported.

Solr中已經定義了這個requestHandler： 

<requestHandler name="/export" class="solr.SearchHandler">
  <lst name="invariants">
    <str name="rq">{!xport}</str>
    <str name="wt">xsort</str>
    <str name="distrib">false</str>
  </lst>
  <arr name="components">
    <str>query</str>
  </arr>
</requestHandler>

使用/export需要字段使用docValues建立索引：

<field name="id" type="string" indexed="true" stored="true" required="true" multiValued="false" docValues="true"/>
<field name="CollectTime" type="tdate" indexed="true" stored="true" docValues="true"/>
<field name="IMSI" type="string" indexed="true" stored="true" docValues="true"/>
<field name="IMEI" type="string" indexed="true" stored="true" docValues="true"/>
<field name="DeviceID" type="string" indexed="true" stored="true" docValues="true"/>

使用docValues必須要有一個用來Sort的字段，且只支持下列類型：

Sort fields must be one of the following types: int,float,long,double,string

docValues支持的返回字段：

Export fields must either be one of the following types: int,float,long,double,string

使用Solrj來查詢並獲取數據：

        SolrQuery params = new SolrQuery();
        params.set("q", timeQueryString);
        params.set("fq", queryString);
        params.set("start", 0);
        params.set("rows", Integer.MAX_VALUE);
        params.set("sort", "id asc");
        params.setHighlight(false);
        params.set("qt", "/export");
        params.setFields(retKeys);
        QueryResponse response = server.query(params);

一個Bug：

org.apache.solr.client.solrj.impl.HttpSolrClient$RemoteSolrException: Error from server at http://192.8.125.30:8985/solr/hotspot: Expected mime type application/octet-stream but got application/json. 

Solrj沒法正確解析出結果集，看了下源碼，原因是Solr server返回的ContentType和Solrj解析時檢查時不一致，Solrj的BinaryResponseParser這個CONTENT_TYPE是定死的：

public class BinaryResponseParser extends ResponseParser {
    public static final String BINARY_CONTENT_TYPE = "application/octet-stream";

一時半會也不知道怎么解決這個Bug，還是自己寫個Http請求並獲取結果吧，用HttpClient寫了個簡單的客戶端請求並解析json獲取數據，測試速度：

    String url = "http://192.8.125.30:8985/solr/hotspot/export?q=CollectTime%3A[2014-12-06T00%3A00%3A00.000Z+TO+2014-12-10T21%3A31%3A55.000Z]&sort=id+asc&fl=id&wt=json&indent=true";
    long s = System.currentTimeMillis();
    SolrHttpJsonClient client = new SolrHttpJsonClient();
    SolrQueryResult result = client.getQueryResultByGet(url);
    System.out.println("Size: "+result.getResponse().getNumFound());
    long e = System.currentTimeMillis();
    System.out.println("Time: "+(e-s));

同樣的查詢條件獲取220296個結果集，時間為2s左右，這樣的查詢獲取數據的效率和MySQL建立索引后的效果差不多，暫時可以接受。

為什么使用docValues的方式獲取數據速度快？

DocValues是一種按列組織的存儲格式，這種存儲方式降低了隨機讀的成本。

傳統的按行存儲是這樣的：

 

1和2代表的是docid。顏色代表的是不同的字段。

改成按列存儲是這樣的：

按列存儲的話會把一個文件分成多個文件，每個列一個。對於每個文件，都是按照docid排序的。這樣一來，只要知道docid，就可以計算出這個docid在這個文件里的偏移量。也就是對於每個docid需要一次隨機讀操作。

那么這種排列是如何讓隨機讀更快的呢？秘密在於Lucene底層讀取文件的方式是基於memory mapped byte buffer的，也就是mmap。這種文件訪問的方式是由操作系統去緩存這個文件到內存里。這樣在內存足夠的情況下，訪問文件就相當於訪問內存。那么隨機讀操作也就不再是磁盤操作了，而是對內存的隨機讀。

那么為什么按行存儲不能用mmap的方式呢？因為按行存儲的方式一個文件里包含了很多列的數據，這個文件尺寸往往很大，超過了操作系統的文件緩存的大小。而按列存儲的方式把不同列分成了很多文件，可以只緩存用到的那些列，而不讓很少使用的列數據浪費內存。

注意Export fields只支持int,float,long,double,string這幾個類型，如果你的查詢結果只包含這幾個類型的字段，那采用這種方式查詢並獲取數據，速度要快很多。

下面是Solr使用“/select”和“/export”的速度對比。

時間對比：

查詢條件	時間
MySQL（無索引）	30s
MySQL（有索引）	2s
Solrj（select查詢）	12s
Solrj（export查詢）	2s

項目中如果用分頁查詢，就用select方式，如果一次性要獲取大量查詢數據就用export方式，這里沒有采用MySQL對查詢字段建索引，因為數據量每天還在增加，當達到億級的數據量的時候，索引也不能很好的解決問題，而且項目中還有其他的查詢需求。

分組查詢

我們來看另一個查詢需求，假設要統計每個設備（deviceID）上數據的分布情況：

用SQL，需要33s：

SELECT deviceID,Count(*) FROM `tf_hotspotdata_copy_test` GROUP BY deviceID;

同樣的查詢，在對CollectTime建立索引之后，只要14s了。

看看Solr的Facet查詢，只要540ms，快的不是一點點。

SolrQuery query = new SolrQuery();
query.set("q", "*:*");
query.setFacet(true);
query.addFacetField("DeviceID");
QueryResponse response = server.query(query);
FacetField idFacetField = response.getFacetField("DeviceID");
List<Count> idCounts = idFacetField.getValues();
for (Count count : idCounts) {
    System.out.println(count.getName()+": "+count.getCount());
}

時間對比：

查詢條件（統計）	時間
MySQL（無索引）	33s
MySQL（有索引）	14s
Solrj（Facet查詢）	0.54s

如果我們要查詢某台設備在某個時間段上按“時”、“周”、“月”、“年”進行數據統計，Solr也是很方便的，比如以下按天統計設備號為1013上的數據：

    String startTime = "2014-12-06 00:00:00";
    String endTime = "2014-12-16 21:31:55";   
    SolrQuery query = new SolrQuery();
    query.set("q", "DeviceID:1013");
    query.setFacet(true);
    Date start = DateFormatHelper.ToSolrSearchDate(DateFormatHelper.StringToDate(startTime));
    Date end = DateFormatHelper.ToSolrSearchDate(DateFormatHelper.StringToDate(endTime));
    query.addDateRangeFacet("CollectTime", start, end, "+1DAY");
    QueryResponse response = server.query(query);

    List<RangeFacet> dateFacetFields = response.getFacetRanges();
    for (RangeFacet facetField : dateFacetFields{
        List<org.apache.solr.client.solrj.response.RangeFacet.Count> dateCounts= facetField.getCounts();
        for (org.apache.solr.client.solrj.response.RangeFacet.Count count : dateCounts) {
            System.out.println(count.getValue()+": "+count.getCount());
        }
    }

這里為什么Solr/Lucene的Facet（聚合）查詢會這么快呢？

想想Solr/Lucene的索引數據的方式就清楚了：倒排索引。對於某個索引字段，該字段下有哪幾個值，對於每個值，對應的文檔集合是建立索引的時候就清楚的，做聚合操作的時候“統計”下就知道結果了。

如果通過docValues建立索引，對於這類Facet查詢會更快，因為這時候索引已經通過字段（列）分割好了，只需要去對應文件中查詢統計就行了，如上文所述，通過“內存映射”，將該索引文件映射到內存，只需要在內存里統計下結果就出來了，所以就非常快。

水平拆分表：

由於本系統采集到的大量數據和“時間”有很大關系，一些業務需求根據“時間”來查詢也比較多，可以按“時間”字段進行拆分表，比如按每月一張表來拆分，但是這樣做應用層代碼就需要做更多的事情，一些跨表的查詢也需要更多的工作。綜合考慮了表拆分和使用Solr來做索引查詢的工作量后，還是采用了Solr。

 

總結：在MySQL的基礎上，配合Lucene、Solr、ElasticSearch等搜索引擎，可以提高類似全文檢索、分類統計等查詢性能。

 

參考：

http://wiki.apache.org/solr/

https://lucidworks.com/blog/2013/04/02/fun-with-docvalues-in-solr-4-2/