随着umc接入主机的数量越来越多,每天产生的syslog日志数量也在剧增, 之前一天产生的syslog数量才不
到1W,随着整个集团的网络设备不端接入,导致现在每天产生的syslog数量大概在180w左右,而这些syslog对
网络和PE同学排查线上网络设备问题又是十分重要的,他们的要求是可以提供查询最近3个月的syslog, 保存一
年的syslog,在7月份的时候,针对量不多的情况,针对mysql单表做了索引,后来又做了单表备份,但是查询的
速度还是无法让人接受,后面又结合页面针对mysqlcount(*)语句做了优化: 使用count(*)语句只是在第一次查询
的时候查询一次,后面保存下来,在后面分页查询的时候,不再需要再查询总数量,即不调用count(*)之类的sql
语句,结果在翻页时,速度还是比较快,但首次查询的时候,还是非常非常慢,但这毕竟只是一个临时的解决方
案;后面结合syslog搜索的业务情况,结合各种技术参考,最终选择了使用Solr搜索引擎来解决syslog查找慢的
问题;
在做压力测试的时候,发现性能问题:在数据量不大(<1000W)的时候,用Solr搜索是比较快,但随着着
syslog数据量的不断增多,写索引和搜索的速度越来越不能让人接受,因此不得不考虑对Solr进行优化;
网上了搜了一下Solr优化的大体方案,主要从如下两个步骤来进行优化:
1. Solr系统层面;
2. 索引字段优化;
针对Solr系统层的优化,主要有如下的方法:
1. 适当调大Solr查询缓存;
2.适当增加Solr集群的切片;
3根据查询的业务场景,适当调
整索引合并的时间,等等一系列通用的做法,针对这些修改以后,发现修改前后,对查询的性能没有本质
的提高;
针对索引字段的优化,就是针对添加到Lucence中文档各索引字段的优化, syslog索引字段主要的字段有:
id(Integer),
ip(String),
log_level(String),
log_value(String)
syslog_time(Date),
要针对这些字段优索引优化,就要首先分析索引查找的过程,要做到字段优化索引,可以从两方面考虑,
1. 减少字段索引存储量,
2. 提高查询索引比较的时间, 针对这两点,
可以毫不犹豫的考虑把String类型的字段向Integer或Long类型之类的整型字段映射转换(整型的索引存储空间
一般比字段串所占的存储索引空间要小;整型的查找比较速度比字段串类型要快,其实这也是数据库查找优化
的一个方面);基于这样的考虑,ip、log_level和syslog_time可以向相应的整型映射,各个字段具体的映射方
法如下:
1. ip 地址向整形映射,这个问题比较好解决,在计算机网络协议中,在底层是会把ip地址转换成对应的无
符号长整型,但由于java没有无符号这个概念,因此可以考虑把ip地址向整型或长整型做相互映射转换,但因为
整型比长整型占用的字节更少,因此采用整型,具体转换代码如下:
// 把ip地址转换成整形
public static Long ipToInteger(String ip) {
String[] ips = StringUtils.split(ip,'.');
if (ips == null || ips.length < 4){
throw newRuntimeException("ip地址非法!");
}
Integer integerIP = 0;
Integer ip0= Integer.parseInteger(ips[0]);
Integer ip1= Integer.parseInteger(ips[1]);
Integer ip2= Integer.parseInteger(ips[2]);
Integer ip3= Integer.parseInteger(ips[3]);
if (ip0 > 255) {
throw newRuntimeException("ip0地址非法:" + ip0);
}
if (ip1 > 255) {
throw newRuntimeException("ip1地址非法:" + ip1);
}
if (ip2 > 255) {
throw newRuntimeException("ip2地址非法:" + ip2);
}
if (ip3 > 255) {
throw newRuntimeException("ip3地址非法:" + ip3);
}
integerIP |=( ip0 << 24) & (0xff000000);
integerIP |=( ip1 << 16) & (0x00ff0000);
integerIP |=( ip2 << 8) & (0x0000ff00);
integerIP |=( ip3 << 0) & (0x000000ff);
return integerIP ;
}
/**
* int类型到ip转换
* @param integerIP
* @return
*/
public static String integerToIP(IntegerintegerIP) {
String ip = "";
Integer ip0= (integerIP & 0xff000000) >>> 24;
Integer ip1= (integerIP & 0x00ff0000) >> 16 ;
Integer ip2= (integerIP & 0x0000ff00) >> 8;
Integer ip3= (integerIP & 0x000000ff) >> 0;
ip = ip0 + "." + ip1 +"." + ip2 + "." + ip3;
return ip;
}
2. log_level 只有8种值,分别是:Emergency, Alert, Critical, Error, Warning,Notice,Informational,
Debug; 这个好转换,直接按下表的方式做相互映射即可
Emergency | 0 |
Alert | 1 |
Critical | 2 |
Error | 3 |
Warning | 4 |
Notice | 5 |
Informational | 6 |
Debug | 7 |
3. 把syslog_time转换成Long类型,这个更容易,java中Date类型有一个getTime()方法
经过把这三个字段都转换成整型以后,索引插入和搜索速度都提高不少,特别是搜索速度有非常非常明显
的提升,特别是在数据量超过2亿的时间,效果更明显到此,字段优化完毕;
但此时还发现一个问题:一次查找返回的数据量太多,导致存在翻页慢的问题,例如:一次返回10W页数
据,如果一下翻到第10W页,查询的速度会非常非常慢甚至可能出现Solr集群全部宕机的情况,这是不能接受的,
因为我们页面上提供了翻到最后一面的功能, 虽然用户一般情况下不会这么做,但万一不小点错了,整个线上
Sorl集群就全部挂了,怎么办?这个问题,让我想起了mysql里的翻页的问题,下面两条SQL语句:
- select * from umc_syslog where syslog_time between date1 and date2 order by id limit 0, 10;
- select * from umc_syslog where syslog_time between date1 and date2 order by id limit 10000, 10;
我们知道,第一条SQL语句查询的速度非常快,第二SQL语句查询的速度非常慢,在系统压力较大的情况下,
可能会把mysql服务弄挂,根本原因在于limitstart, rows语句,mysql会在扫描时,会扫过满足结果的前start行的
记录,然后才读取len行的数据,如果start特别大,会非常慢,在高性能mysql这本书中介绍了各种解决分页问
题的优化,如延迟关联、阶递分页等,其中阶递分页可以在Solr中实现,但我们页面不允许这么做,不然早就
用Hbase来解决了,怎么办,在无解决的情况下,突然发现,Solr查询中有order by排序的问题,适当用order by
可以很好来解决limit 分页慢的问题:
假设 一个Solr查询按id 降序排序返回,假设返回10W行记录,前5W条记录可以随机分页查询到,但后面
5W条记录很难随机分页查询到,造成这个问题的原因是按id降序返回,如果适当修改一下查询语句,速度可
能会有所提高,因为Solr查询每次都会返回总的记录条数,这个总的记录条数是已知的, 记为total, 作如下处
理:如果start 小于等于 (total >> 1),则从前往后读;否则就从后往前读,然后,再把返回的结果逆序,显示
即可,伪代码如下;
if start <= (total >> 1)
query order by id desc limit start, rows;
else
calculate new start as start';
calculate new rows as rows';
query order by asc limit start', rows';
reverse the return data;
end
程序中相关代码:
// 是否是按id升序查询, 默认是false
boolean isAscend = false;
// 升序或降序查询判断
if (totalCount == 0) {
isAscend = false;
} else {
if (start >= (totalCount >> 1) ) {
isAscend = true;
}
}
if (!isAscend) {
realStart = start;
realRows = rows;
} else {
Integer count = totalCount.intValue();
realStart = (start + rows)>= count? 0 : (count - (start +rows));
realRows = (start + rows)>= count? (count - start + 1) : rows;
}
solrQuery.setStart(realStart);
solrQuery.setRows(realRows);
if (!isAscend) {// id降序
solrQuery.setSort("id", ORDER.desc);
} else { // id 升序
solrQuery.setSort("id", ORDER.asc);
}
// 逆序处理
if (isAscend) {
int size = syslogVOList.size();
int left = 0;
int right = size - 1;
while (left < right) {
SyslogVO leftSyslogVO =syslogVOList.get(left);
SyslogVO rightSyslogVO =syslogVOList.get(right);
syslogVOList.set(left, rightSyslogVO);
syslogVOList.set(right, leftSyslogVO);
left ++;
right --;
}
}
经过这个过程的处理之后,向后翻页查询的速度快了很多,至少不会出现宕机的现象;
查询页面如下:
在相同的条件下:
优化后Solr查询的时间:
优化前mysql的查询时间:
其实这个技巧在mysql分页查询,数据量非常大的时候也适用;