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

一、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

 

二、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

 

 

三、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：

#./mongo  127.0.0.1:11111 

      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：

import  time
import datetime
import  timeit
import  math
ISOTIMEFORMAT = '%Y-%m-%d %X'

from pymongo import MongoClient
mc = MongoClient("172.16.16.169",27017)
db = mc.users
def dateDiffInSeconds(date1,date2):
    timedelta = date2 - date1
    return timedelta.days*24*3600 +timedelta.seconds
date1 = datetime.datetime.now()
db.users.drop()
for i  in 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：100万条数据写入花费了12分钟28秒：

2、 python连接MongoDB WiredTiger写入配置：

import  time
import datetime
import  timeit
import  math
ISOTIMEFORMAT = '%Y-%m-%d %X'

from pymongo import MongoClient
mc = MongoClient("172.16.16.169",27017)
db = mc.users
def dateDiffInSeconds(date1,date2):
    timedelta = date2 - date1
    return timedelta.days*24*3600 +timedelta.seconds
date1 = datetime.datetime.now()
db.users.drop()
for i  in 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：100万条数据写入花费了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。