共计 3977 个字符，预计需要花费 10 分钟才能阅读完成。
5 月 29 日，录信数软技术总监郑其华在 QCon 寰球软件开发者大会分享了“基于 Lucene 实现万亿级多维检索与实时剖析”的主题演讲，现场座无虚席，流动在浓烈的技术探讨气氛中圆满结束。上面，咱们将分享演讲全文。
1. 万亿挑战之一：数据存储
第一个对于数据存储。平时咱们保留数据很简略，往硬盘外面写就行了。海量数据就没那么简略，会面临很多问题。比方老本问题。是应用 SSD 固态硬盘还是机械磁盘，是应用 100 块大磁盘，还是应用 1 万块小磁盘，在老本上都会造成微小的差别。
其次，数据的安全性也是一个问题。万一磁盘损坏了，或者误删除了，数据就会失落。数据迁徙、扩容也会比拟麻烦。另外，还有一个读写平衡的问题。数据写入不平衡的话，可能就会导致有的磁盘特地忙，有的磁盘很闲暇。或者，如果有个别磁盘出问题了，读写速度变慢了，就会导致所有的查问都会卡在这个磁盘的 IO 下面，升高了整体性能。
针对存储的这些问题，咱们采纳了基于 HDFS 的索引技术来解决。
采纳 HDFS 能够解决哪些问题呢？对于读写不平衡的问题，HDFS 是一个高度容错的零碎，如果有磁盘坏掉了，或者速度变慢了，会主动切换到速度较快的正本上进行读取。并且，会对磁盘数据读写进行主动平衡，避免出现数据歪斜的问题。对于数据安全性的问题，HDFS 有数据快照、冗余正本等性能，能够升高因磁盘损坏，或者误删除操作带来的数据失落问题。对于存储老本问题，HDFS 反对异构存储，能够混合应用各种存储介质，升高硬件老本。而且，HDFS 能够反对大规模的集群，应用和治理老本都比拟低。
除此之外，为了进一步升高存储老本，咱们研发了列簇的性能。原生 Lucene 是不反对列簇的，列簇的益处是什么呢？
咱们能够将数据列，指定为不同的列簇，按列簇来混合应用不同磁盘，并且能够对不同列簇设置不同的生命周期。比方，一个文档外面可能蕴含一些结构化的数据，像题目、作者、摘要等等，这些数据个别比拟小，而且是常常要进行检索的。那么咱们就能够将这些数据列定义为一个列簇，放在 SSD 上。还有一些相似附件、图片、视频等非结构化的数据，这些数据比拟大，而且个别不会进行查问的，能够定义为另一个列簇，放在的 SATA 盘下面。从而升高了 SSD 固态硬盘的使用量。另外，列簇联合 HDFS 的异构策略，咱们还能够实现冷热数据的拆散。比方，有的业务常常查问最近 1 个月以内数据。那么，咱们就能够将最近 1 个月保留在 SSD 上，1 个月当前，将数据，移到 SATA 盘上，从而进一步升高 SSD 使用量。
接下来，再看另外一个问题。大数据有一个根本的利用，就是查问检索。比方这个页面上显示的一个“全文检索”性能，是从海量数据外面查找蕴含用户输出关键字的数据。这样的搜寻性能很常见，也不难实现。难的中央在于性能。对于万亿规模的数据，是几秒就响应了，还是几个小时再响应呢？
2. 万亿挑战之二，检索性能
为了实现万亿秒查的性能。咱们对 Lucene 的倒排表进行了优化。
在全文检索畛域外面，通常的做法，就是进行切词，而后记录这个关键词在哪个文档外面呈现过。同时，也会保留其余一些相干的信息。比方，这个关键词呈现的频率、在这个文档呈现的地位等等，大略有十几个元素，这些元素就是保留在倒排表外面。Lucene 对这些元素，采纳的是行存储。这就意味着，每次查问都须要把所有的十几个元素都读取进去。而咱们在检索时，理论用到的可能只有其中的两三个元素。应用行存的话，会造成很多不必要的 IO。因而，咱们在这里，将倒排表外面的元数据，改成了列存储。
列存的益处是，查问用到哪个元素，我只读取这个元素的内容，其余的内容就能够间接跳过。这个改变看上去很小，然而在海量数据的场景，对性能的影响却是极大的。比方，咱们查问的关键字，可能命中了几亿条数据。就须要读取几亿个倒排表的元数据信息，如果应用行存，读取的数据量就是几亿个元数据乘以十几个元素。而列存储的话，只须要读取两三个元素，磁盘 IO 上就差了好几倍。所以，通过倒排表元数据的列存化，缩小有效 IO，这样一个优化，带来了好几倍的性能晋升。
而后，第二个优化的中央呢，咱们将 倒排表按时序进行了存储。
因为咱们在理论场景中发现，很多数据会有一个时序性的特点。也就是数据都是随着时间推移而产生的。对这些数据查问时，个别也会联合工夫范畴进行。比方查问最近一天或者最近几小时的汽车尾气排放量等等。而原生 Lucene 的索引数据在寄存时，是杂乱无序的。同一天的数据，可能存在磁盘的不同地位。这样在读取的时候，就是一个随机读取。所以，咱们在这里也做了一点改良。把数据依照入库的程序进行寄存。那么，咱们在查问某时间段的数据时，只须要将磁盘上这一整块的数据读取进去。咱们晓得机械硬磁盘的随机读取性能比间断读取性能要差很多。而且，磁盘在读取间断数据时还有预读性能。同样大小的数据量，间断读取的性能可能会比随机读取的性能高一个数量级。
通过对索引的优化，基本上万亿数据的检索性能能够做到秒级响应。
3. 万亿挑战之三，多维统计
接下来看，另一个常见的利用。就是统计分析。
这是一个典型的数据立方体。会波及到多个维度，有工夫维度、地区维度等等。每个维度可能还会有层级关系，比如说咱们先查问每年的汽车保有量数据，而后须要在工夫维度下钻到每个季度的数据，或者到每个月的数据。而原生 Lucene 在索引上，只有单层的关系，对于一个列，只能建单列的索引，所以在做多维或者多层次的检索统计上，性能会比拟差。
对于多维统计，业界通常的做法，是应用 DocValues 进行统计分析。而 DocValues 会带来随机 IO 的问题。所以，咱们将 Lucene 的倒排索引表，又进行了批改。这次批改的倒排表外面的 term。
原来 term 外面只能存一个列，改良后，就能够存多个列的值。比方，第一列保留年份、第二列保留季度，第三列保留月份。通过干涉数据的排序散布，在同一个年份，比方 2018 年下，每个季度的数据都是间断的。这样，在统计分析 2018 年的每个月的数据时，只须要找到 2018 年的开始地位，间接读取接下来的一块数据就能够了。
另外，在这个多列联结索引的根底上，咱们还减少了两级跳跃表。每个跳跃表外面会保留多列联结索引的最大最小值。目标是在检索时，能够疾速定位到指定的关键字下面。从而进步单列或者多列的统计分析性能。
4. 万亿挑战之四，区域检索
而后，咱们再看一个比拟非凡的利用场景——区域检索。区域检索是基于地理位置信息，个别是经纬度进行查问匹配。常见于公安安防行业。
区域检索会有什么样的问题呢？原生 Lucene 在解决区域检索时，个别是采纳 GeoHash 来抉择一个正方形，而后应用 DocValues 进行二次验证。比方，要检索圆形区域的话，就须要裁剪掉多余的几个角。而应用 DocValues，跟后面的统计分析一样，就会导致随机读取问题，性能比拟差。
咱们所做的改变呢，就是把原来随机散落在磁盘各个地位的 DocValues，改为按地位邻近存储起来。也就是雷同的地理位置的数据，存储的时候，在磁盘上也是挨在一起的。搜寻的时候，因为数据挨在一起，读取就变为一个程序读取。相比原来的随机读取，性能有了一个大幅的晋升。
5. 万亿挑战之五，计算框架
除了对于存储层和索引层的优化，对于下层的计算框架，咱们也进行了相应的批改。尽管 spark 作为通用计算引擎，性能上根本满足咱们的需要。然而在万亿数据规模下，依然存在一些问题。例如，spark 底层对数据的获取是一条条暴力读取。当数据规模超过万亿时，性能比拟差。想晋升性能，则须要减少硬件投入，老本比拟高。而且在理论生产利用中呈现过各种问题。
所以，咱们对 spark 进行了批改。将底层的数据存储改为基于咱们自研的分布式索引。Spark 在查问的时候，就不须要对数据进行暴力扫描，而是先通过索引，疾速定位到命中的局部数据。从而晋升了数据的查问、统计工夫。同时，咱们修改了大量开源 spark 的问题，确保在生产零碎中能够稳固运行。
6. 产品架构
通过上述各个组件的整合和优化，最终咱们造成了如下的产品架构。
底部是 Hadoop 的根底服务，下面是 SQL 计算层，通过 SQL 语句与应用层进行交互。最外围的是两头的存储引擎层，蕴含了 lucene 的全文检索性能，HBase 的 KV 模型，还有多列联结索引实现的 OLAP 剖析引擎等。后续还能够在这一层外面进行扩大，实现图数据库以及一些行业定制的性能。
另外，能够通过 ETL 工具，与常见的内部数据源进行数据导入导出。
7. 利用场景
这样一套零碎，能够利用在哪些场景呢？能够反对万亿数据的检索剖析吗？
答案是必定的。这个零碎咱们在公安军队行业曾经有很多理论我的项目。公安行业，会集了全网各种维度的数据，超过万亿规模的我的项目十分常见。能够利用这个零碎，通过实时检索、关联碰撞等性能，提供智能研判关系网络，助力公安侦破各种案件。
另外一个场景，就是汽车行业。随着车联网的疾速倒退，汽车产生的数据规模也越来越大。比方，每台车载终端 T -Box，每天都会产生数万条数据，几十万台车辆每年产生的数据量就会超过万亿规模。针对国六规范的推广，对车辆的尾气数据、油耗数据都须要进行监管。咱们与中汽研单干，提供的数据存储和检索剖析解决方案，目前曾经利用于各大主机厂。
还有一个咱们最近正在开发和钻研的场景，就是针对于航空和船舶的时空轨迹剖析。通过对于大量的航空和船舶数据进行多维检索和可视化剖析，借助于咱们产品对于工夫、空间数据的优化，从而实现对于类似轨迹的碰撞剖析、随同剖析等。
下面这几个场景的数据量都达到了万亿规模，从理论应用成果来看，咱们这种架构架是能够满足撑持万亿数据的检索剖析需要。
在完结了北京的流动之后，咱们将会在 7 月 23 日 -24 日在深圳大中华喜来登酒店的 ArchSummit 寰球架构师峰会带来全新的分享，目前议题还 没编出来 在构思中，敬请期待！
下一站，咱们深圳见！
