记录一次MongoDB3.0.6版本wiredtiger与MMAPv1引擎的写入耗时对比

MongoDB3.0.x的版本特性（相对于MongoDB2.6及以下）：

 

增加了wiredtiger引擎：

 

开源的存储引擎；

 

支持多核CPU、充分利用内存/芯片级别缓存(注：10月14日刚刚发布的3.0.7版本中，进一步改进了内存操作的性能)；

 

基于B-TREE及LSM算法；

 

提供文档级锁(document-level concurrency control)，类似于关系型数据库的的行级锁；

 

支持文件压缩(其中snappy压缩机制可以在5%的额外CPU消耗，减少70%的空间使用，也可以根据需要调节压缩比例),三种压缩类型：

 

不压缩；

 

Snappy压缩：默认的压缩方式， Snappy是在谷歌内部生产环境中被许多项目使用的压缩库，包括BigTable，MapReduce和RPC等，压缩速度比Zlib快，但是压缩处理文件的大小会比Zlib大20%-100%， Snappy对于纯文本的压缩率为1.5-1.7，对于HTML是2-4，对于JPEG、PNG和其他已经压缩过的数据压缩率为1.0。在I7 i7 5500u 单核CPU测试中，压缩性能可在200M/s-500M/s；

 

Zlib压缩： Z1ib是一个免费、通用、跨平台、不受任何法律阻碍的、无损的数据压缩开发库，相对于Snappy压缩，消耗CPU性能高、压缩速度慢，但是压缩效果好。

 

MMAPv1引擎(MongoDB2.6及以下版本用的是MMAP引擎)：

 

collection锁(collection-level concurrency control)，在MMAP版本中，只提供了database的锁(既当一个用户对一个collection进行操作时，其他的collection也被挂起）；

 

无缝迁移(MMAP版本的数据可以在线迁移至MMAPV1版本，也可以迁移至wiredtiger引擎中)。

 

可插拔的存储引擎API(类似于mysql的多引擎驱动)

 

通过不同的数据引擎来满足不同的数据需求；

 

未来更多的场景扩展。

 

Ops manager(MongoDB企业版提供的功能)

 

居于web的图形管理界面

 

减少日常日常和配置的工作

 

测试环境：

 

服务器硬件配置：172.16.16.169 CPU：2*E5620@ 2.40GHz、内存：8G

 

客户端硬件配置：172.16.40.92 CPU: 4*I5-4300U@ 1.90GHz、内存：4G

 

数据库：mongodb V3.0.6

 

开发环境：python3.4.3、pycharm4.5.4

 

测试前提：已安装完成了mongodb、python、pycharm

 

测试场景：插入100万条数据的时间消耗对比；

 

1. 在服务器端启动MongoDB(默认为MMAPv1引擎，默认端口为27017，在MongoDB的安装目录中启动MongoDB，定义数据和日志路径)：

#./mongod --dbpath=/data/db --logpath=/data/log 

 

2. 登录MongoDB：

#./mongo

 

3. 查看当前的引擎状态：

> db.serverStatus()

"storageEngine" : {

"name" : "mmapv1"

 

4. 在服务器端启动MongoDB(WiredTiger引擎，端口：11111，在MongoDB的安装目录中启动MongoDB，定义数据和日志路径，定义WiredTiger引擎)：

#./mongod --dbpath=/data/wiredtiger --logpath=/data/wiredtiger/log

 

5. 登录至启动了WiredTiger引擎的Mongodb：

#./mongo127.0.0.1:11111 

 

6. 查看当前的引擎状态：

> db.serverStatus()

"storageEngine" : {

"name" : "wiredTiger"

 

7. python连接MongoDB MMAPv1写入配置：

 

 

importtimeimport datetimeimporttimeitimportmathISOTIMEFORMAT = '%Y-%m-%d %X'from pymongo import MongoClientmc = MongoClient("172.16.16.169",27017)db = mc.usersdef dateDiffInSeconds(date1,date2):timedelta = date2 - date1return timedelta.days*24*3600 +timedelta.secondsdate1 = datetime.datetime.now()db.users.drop()for iin range(0,1000000) :db.users.insert({"name":"ljai","age":i,"addr":"fuzhou"})c = db.users.find().count()print("count is ",c)date2 = datetime.datetime.now()print(date1)print(date2)print(dateDiffInSeconds(date1,date2),"seconds")mc.close()

 

8. 测试结果：1000万条数据写入花费了12分钟28秒：

2、 python连接MongoDB WiredTiger写入配置：

 

importtimeimport datetimeimporttimeitimportmathISOTIMEFORMAT = '%Y-%m-%d %X'from pymongo import MongoClientmc = MongoClient("172.16.16.169",27017)db = mc.usersdef dateDiffInSeconds(date1,date2):timedelta = date2 - date1return timedelta.days*24*3600 +timedelta.secondsdate1 = datetime.datetime.now()db.users.drop()for iin range(0,1000000) :db.users.insert({"name":"ljai","age":i,"addr":"fuzhou"})c = db.users.find().count()print("count is ",c)date2 = datetime.datetime.now()print(date1)print(date2)print(dateDiffInSeconds(date1,date2),"seconds")mc.close()

 

9. 测试结果：1000万条数据写入花费了10分3秒：

100万条的数据写入，WireTiger引擎会比MMAPv1快一些，后续再继续其他方面的性能测试。