如何将 MongoDB MapReduce 速度提升 20 倍

分析在MongoDB中正成为越来越重要的话题，因为它在越来越多的大型项目中使用。人们厌倦了使用不同的软件来做分析（包括Hadoop），它们显然需要传输大量开销的数据。

MongoDB提供了两种内置分析数据的方法：Map Reduce和Aggregation框架。MR非常灵活，很容易部署。它通过分区工作良好，并允许大量输出。MR在MongoDB v2.4中，通过使用JavaScript引擎把Spider Monkey替换成V8,性能提升很多。老板抱怨它太慢了，尤其是和Agg框架（使用C++）相比。让我们看看能否从中榨出点果汁

练习

让我们插入1千万条文档，每个文档包含一个从0到1000000的整数。这意味着平均有10个文档会具有相同的值。

> for (var i = 0; i < 10000000; ++i){ db.uniques.insert({ dim0: Math.floor(Math.random()*1000000) });}> db.uniques.findOne(){ "_id" : ObjectId("51d3c386acd412e22c188dec"), "dim0" : 570859 }> db.uniques.ensureIndex({dim0: 1})> db.uniques.stats(){        "ns" : "test.uniques",        "count" : 10000000,        "size" : 360000052,        "avgObjSize" : 36.0000052,        "storageSize" : 582864896,        "numExtents" : 18,        "nindexes" : 2,        "lastExtentSize" : 153874432,        "paddingFactor" : 1,        "systemFlags" : 1,        "userFlags" : 0,        "totalIndexSize" : 576040080,        "indexSizes" : {                "_id_" : 324456384,                "dim0_1" : 251583696        },        "ok" : 1}

从这其中，我们想要计算出现的不同值的个数。可以用下列MR任务轻松完成这个工作:

> db.runCommand(
{ mapreduce: "uniques",
map: function () { emit(this.dim0, 1); },
reduce: function (key, values) { return Array.sum(values); },
out: "mrout" })
{
        "result" : "mrout",
        "timeMillis" : 1161960,
        "counts" : {
                "input" : 10000000,
                "emit" : 10000000,
                "reduce" : 1059138,
                "output" : 999961
        },
        "ok" : 1
}

正如你在输出内容中看到的，这耗费了大概1200秒(在EC2 M3实例上进行的测试)。有1千万个map，1百万个reduce，输出了999961个文档。结果就像下面这样:

> db.mrout.find()
{ "_id" : 1, "value" : 10 }
{ "_id" : 2, "value" : 5 }
{ "_id" : 3, "value" : 6 }
{ "_id" : 4, "value" : 10 }
{ "_id" : 5, "value" : 9 }
{ "_id" : 6, "value" : 12 }
{ "_id" : 7, "value" : 5 }
{ "_id" : 8, "value" : 16 }
{ "_id" : 9, "value" : 10 }
{ "_id" : 10, "value" : 13 }
...

使用排序

我在上一篇博文中提到了在MR中使用排序多么有益。这个特性很少被理解。在这个例子中，处理未排序的输入意味着MR引擎将得到随机顺序的值，在RAM中根本无法reduce。相反，它将不得不把所有文章写入一个临时收集的磁盘，然后按顺序读取并reduce。让我们看看使用排序是否有助：

> db.runCommand(
{ mapreduce: "uniques",
map: function () { emit(this.dim0, 1); },
reduce: function (key, values) { return Array.sum(values); },
out: "mrout",
sort: {dim0: 1} })
{
        "result" : "mrout",
        "timeMillis" : 192589,
        "counts" : {
                "input" : 10000000,
                "emit" : 10000000,
                "reduce" : 1000372,
                "output" : 999961
        },
        "ok" : 1
}

确实大有助益！我们下降到192秒，已经提升了6倍。reduce的数量基本相同，但现在它们在写入磁盘前，可以在RAM内完成。

使用多线程

MongoDB对单独的MR作业并不使用多线程——它仅仅对多作业使用多线程。但通过多核CPU，在单个服务器使用Hadoop风格来并行作业非常有优势。我们需要做的是把输入分成几块，通过各个块来加速一个MR作业。也许数据集有简单的方法来分割，但其他使用splitVector命令（不明确）可以使你很快的找到分割点：

> db.runCommand({splitVector: "test.uniques", keyPattern: {dim0: 1}, maxChunkSizeBytes: 32000000})
{
    "timeMillis" : 6006,
 "splitKeys" : [
  {
   "dim0" : 18171
  },
  {
   "dim0" : 36378
  },
  {
   "dim0" : 54528
  },
  {
   "dim0" : 72717
  },
…
  {
   "dim0" : 963598
  },
  {
   "dim0" : 981805
  }
 ],
 "ok" : 1
}

 

这个命令在超过1千万个文档中找到分割点仅仅需要花费5秒，很快！那么现在我们仅仅需要一个方法来创建多个MR作业。从一个应用服务器，使用多线程和为MR命令使用$gt/$It查询相当简单。通过shell，你可以使用ScopedThread，使用方法如下：

> var t = new ScopedThread(mapred, 963598, 981805)
> t.start()
> t.join()

现在我们把一些快速运行的js代码放在一起，它们会产生4个线程（或者更多的线程），执行后呈现出下面的结果：

> varres = db.runCommand({splitVector: "test.uniques", keyPattern: {dim0: 1}, maxChunkSizeBytes: 32 *1024 * 1024 })

02> varkeys = res.splitKeys

03> keys.length

0439

05> varmapred = function(min, max) { 

06return db.runCommand({ mapreduce: "uniques", 

07map: function() { emit(this.dim0, 1); }, 

08reduce: function(key, values) { returnArray.sum(values); }, 

09out: "mrout"+ min, 

10sort: {dim0: 1}, 

11query: { dim0: { $gte: min, $lt: max } } }) }

12> varnumThreads = 4

13> varinc = Math.floor(keys.length / numThreads) + 1

14> threads = []; for(var i = 0; i < numThreads; ++i) { var min = (i == 0) ? 0 : keys[i * inc].dim0; varmax = (i * inc + inc >= keys.length) ? MaxKey : keys[i * inc + inc].dim0 ; print("min:"+ min + " max:"+ max); vart = new ScopedThread(mapred, min, max); threads.push(t); t.start() }

15min:0 max:274736

16min:274736 max:524997

17min:524997 max:775025

18min:775025 max:{ "$maxKey": 1 }

19connecting to: test

20connecting to: test

21connecting to: test

22connecting 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}

68         "ok": 1

69}

70{

71        "result": "mrout775025",

72        "timeMillis": 184945,

73        "counts": {

74                "input": 2249971,

75                "emit": 2249971,

76                "reduce": 225057,

77                "output": 224964

78        },

79        "ok": 1

80}

第一个线程时间确实超过了其他的线程，但是平均每个线程仍然用了大约190s的时间.这意味着并没有一个线程快！这有点奇怪，自从用了‘top’，在某种程度上，你可以看到所有的内核运行情况。

使用多数据库

问题是在多线程之间会有很多锁竞争。在上锁时，MR并不是那么无私的(它每1000次读操作就会产生一次锁定)，而且MR任务还会执行许多写操作，导致线程最终都会在等待另一个线程。由于每个MongoDB数据库都有私有锁，让我们尝试为每一个线程使用一个不同的输出数据库:

> varmapred = function(min, max) { 

02return db.runCommand({ mapreduce: "uniques", 

03map: function() { emit(this.dim0, 1); }, 

04reduce: function(key, values) { returnArray.sum(values); }, 

05out: { replace: "mrout"+ min, db: "mrdb"+ min }, 

06sort: {dim0: 1}, 

07query: { dim0: { $gte: min, $lt: max } } }) }

08> threads = []; for(var i = 0; i < numThreads; ++i) { var min = (i == 0) ? 0 : keys[i * inc].dim0; varmax = (i * inc + inc >= keys.length) ? MaxKey : keys[i * inc + inc].dim0 ; print("min:"+ min + " max:"+ max); vart = new ScopedThread(mapred, min, max); threads.push(t); t.start() }

09min:0 max:274736

10min:274736 max:524997

11min:524997 max:775025

12min:775025 max:{ "$maxKey": 1 }

13connecting to: test

14connecting to: test

15connecting to: test

16connecting 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...

这才像话!我们现在降到了100秒，这意味着相比一个线程而言已经提升了2倍。还算差强人意吧。现在我们只有4个核所以只快了2倍，要是在8核CPU上将会快4倍，以此类推。

使用纯JavaScript模式

当把输入数据拆分到不同线程上去的时候，发生了一些有趣的事情:每个线程现在有大约250000个不同的值来输出，而不是1百万。这意味着我们可以使用“纯JS模式”，它可以通过使用jsMode:true来开启。开启后，MongoDB在处理时将不会把对象在JS和BSON之间来回翻译，相反，它使用一个限额500000个key的内部JS字典来化简所有对象。让我们看看这是否有用:

> varmapred = function(min, max) { 

02return db.runCommand({ mapreduce: "uniques", 

03map: function() { emit(this.dim0, 1); }, 

04reduce: function(key, values) { returnArray.sum(values); }, 

05out: { replace: "mrout"+ min, db: "mrdb"+ min }, 

06sort: {dim0: 1}, 

07query: { dim0: { $gte: min, $lt: max } }, 

08jsMode: true}) }

09> threads = []; for(var i = 0; i < numThreads; ++i) { var min = (i == 0) ? 0 : keys[i * inc].dim0; varmax = (i * inc + inc >= keys.length) ? MaxKey : keys[i * inc + inc].dim0 ; print("min:"+ min + " max:"+ max); vart = new ScopedThread(mapred, min, max); threads.push(t); t.start() }

10min:0 max:274736

11min:274736 max:524997

12min:524997 max:775025

13min:775025 max:{ "$maxKey": 1 }

14connecting to: test

15connecting to: test

16connecting to: test

17connecting 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...

现在我们降到了70秒，就搞定了任务!jsMode真心有用，尤其是当对象有很多字段的时候。这里只有一个数字字段就已经下降了30%。

MongoDB在2.6版本上的改进

在很早的2.6版本中，在任何的js函数调用的时候,我们就通过一段代码设置一个可选参数”args“。这种做法并不标准，不在使用。但是它确有留下来的原因（查看 SERVER-4654）。让我们从Git资源库中导入MongoDB，编译并运行进行测试：

...

02{ 

03        "result": {

04                "db": "mrdb274736",

05                "collection": "mrout274736"

06        },

07        "timeMillis": 62785,

08        "counts": {

09                "input": 2500013,

10                "emit": 2500013,

11                "reduce": 250156,

12                "output": 250255

13        },

14        "ok": 1

15}

16...

这是明显的提高了3倍的运行速度，时间降低到了60s，大约10-15%。这种变化也提高了整体JS引擎的堆消耗。

结语

回顾一下，对于同一个MR作业，我们开始时花费1200秒，最后花费60秒，提升了20倍！这项提高应该对大部分应用都有效，即使有些trick不太理想（例如，使用多种输出dbs/collections）。至少这能提供给人们思路，如何加速他们的MR作业，希望这些特征在将来会更加易于使用。接下来的票将使得‘splitVector’命令更加有用，这张票将在同一个数据库中提升多MR作业。干杯！