分布式——吞吐量巨强、Hbase的承载者 LSMT

本文始发于个人公众号：TechFlow，原创不易，求个关注

今天是分布式系统的第九篇文章。

今天给大家分享的内容是LSM树，它的英文是Log-structed Merge-tree。看着有些发怵，但其实它的原理不难，和B树相比简直算是小儿科了。

并且这也是一个非常经典的数据结构，并且在大数据系统当中有非常广泛的应用。有许多耳熟能详的经典系统，底层就是基于LSM树实现的。因此，今天就和大家一起来深入学习一下它的原理。

背景知识

首先，我们先从背景知识开始。我们之前介绍B+树的时候说过，B+树和B树最大的不同就是将所有的数据都放在了叶子节点。从而优化了我们批量插入以及批量查询的效率，而优化的核心逻辑就是因为无论是什么存储介质，顺序存储的效率一定要比随机存储更高，并且高的还不是一点半点。这个已经算是老生常谈了，如果我没记错的话，这已经是我第三次在文章当中提到这一点了。

我最近看到了一张图，很好地阐述了随机读取和顺序读取两者的效率差，我们来看下面这张图。其中绿色的部分表示硬盘顺序读取的最大速度，而红色表示随机读取时的速度。

我们看下纵坐标就知道，这两者差的不是一点半点，已经有数量级的差距了。而且还不止是一个数量级，至少相差了三个数量级，显然这是非常恐怖的。另外，这个差距并不只是在传统的机械硬盘上存在，即使是现在比较先进的SSD固态硬盘上，也一样存在。也就是说这个差距是介质无关的。

直观优化

既然随机读取和顺序读取的效率差了这么多，不由得不让人心动。如果能够发明一个数据结构可以充分地利用上这一点，那么我们的系统对数据的吞吐能力一定可以再上一个台阶。对于许多科技公司而言，尤其是大数据公司，因为数据量带来的机器开销的费用占据了日常支出的大头。如果能够很好地解决这个问题，显然可以节约大量的资源。

一个朴素的想法就是将所有的读写都设计成顺序读写，比如日志系统就是一个典型的例子。在我们记录日志的时候，总是添加在文件的末尾，而不会插入在文件的中间。由于我们总是添加在文件末尾，在磁盘上这是一个顺序的读写。但我们把读写都设计成顺序的，也就意味着我们当我们要查找的内容在文件中间的时候，我们必须要读入文件中的所有内容。

这个思路应用最广泛的地方有两个，一个是数据库的日志当中。在我们用数据库执行写入或者修改操作的时候，数据库会将所有的变更写成log记录下来。还有一处是消息系统的中间件，比如kafka。

但是在复杂的增删查改的场景当中，尤其是涉及到批量读写的场景，简单的文件顺序读写就不能满足需求了。当然我们可以引入哈希表或者是B+树这些数据结构实现功能，但这些复杂的数据结构都避免不了比较慢的随机读写操作，而我们希望随机读写能尽量减少，正是基于这个原理，LSMT被发明了出来。LSMT使用了一种独特的机制牺牲了一些读操作的性能，保证了写操作的能力，它能够让所有的操作顺序化，几乎完全避免了随机读写。

在我们介绍LSMT的原理之前，我们先来介绍一下它的子结构SSTable。

SSTable

第一次看到这个单词的时候觉得一头雾水是正常的，SSTable的全称是Sorted String Table，本质就是一个KV结构顺序排列的文件。我们来看下下图：

最基础的SSTable就是上图当中右侧的部分，即key和value的键值对按照key值的大小排序，并存储在文件当中。当我们需要查找某个key值对应的数据的时候，我们会将整个文件读入进内存，进行查找。同样，写入也是如此，我们会将插入的操作在内存中进行，得到结果之后，直接覆盖原本的文件，而不会在文件当中修改，因为这会牵扯到移动大量的数据。

如果文件中的数据量过大，我们需要另外建立一个索引文件，存储不同的key值对应的offset，方便我们在读取文件的时候快速查找到我们想要查找的文件。索引文件即上图当中左边部分。

需要注意，SSTable是不可修改的，我们只会用新的SSTable去覆盖旧的，而不会再原本的基础上修改。因为修改会涉及随机读写，这是我们不希望的。

LSM的增删改查

理解了SSTable之后，我们来看下基本的LSM实现原理。

其实最基本的LSM原理非常简单，本质上就是在SSTable的基础上增加了一个Memtable，Memtable顾名思义就是存放在内存当中的表结构。当然也不一定是表结构，也可以是树结构，这并不影响，总之是一个可以快速增删改查的数据结构，比如红黑树、SkipList都行。其次我们还需要一个log文件，和数据库当中的log一样，记录数据发生的变化。方便系统故障或者是数据丢失的时候进行找回，所以整体的架构如下：

查找

我们先来看查找的情况，当我们需要查找一个元素的时候，我们会先查找Memtable。原因也很好理解，它就在内存当中，不需要额外读取文件，如果Memtable当中没有找到，我们再一个一个查找SSTable，由于SSTable当中的数据也是顺序存储的，所以我们可以使用二分查找，整个查找的速度也会非常快。但是有一点，由于SSTable的数量可能会很多，而且我们必须要顺序查找，所以当SSTable数量很大的时候，也会影响查找的速度。为了解决这个问题，我们可以引入布隆过滤器进行优化。我们对每一个SSTable建立一个布隆过滤器，可以快速地判断元素是否在某一个SSTable当中。布隆过滤器判断元素不存在是一定准确的，而判断存在可能会有一个很小的几率失误，但这个失误率是可以控制的，我们可以设置合理的参数，使得失误率足够低。

加上了布隆过滤器之后的查找操作是这样的：

上图的星星表示布隆过滤器，也就是说我们先通过布隆过滤器判断元素是否存在之后，再进行查找。

布隆过滤器在之前的文章当中曾经和大家介绍过，有遗忘或者是新关注的同学可以点击下方链接回顾一下。

[大数据算法——布隆过滤器](https://mp.weixin.qq.com/s?__biz=MzUyMTM5OTM2NA==&mid=2247484496&idx=1&sn=30eb68fb75ee41bf1982435e1dd54959&chksm=f9daf97bcead706d36d161e52f87e8a14ebf14cd2e95c823411011f09f6048f52f2b8762d6b7&scene=21#wechat_redirect)

增删改

除了查找之外的其他操作都发生在Memtable当中，比如当我们要增加一个元素的时候，我们直接增加在Memtable，而不是写入文件。这也保证了增加的速度可以做到非常快。

除此之外，修改和删除也一样，如果需要修改的元素刚好在Memtable当中，没什么好说的我们直接进行修改。那如果不在Memtable当中，如果我们要先查找到再去修改免不了需要进行磁盘读写，这会消耗大量资源。所以我们还是在Memtable当中进行操作，我们会插入这个元素，标记成修改或者是删除。

所以我们可以把增删改这三个操作都看成是添加，但是这就带来了一个问题，这么操作会导致很快Memtable当中就积累了大量数据，而我们的内存资源也是有限的，显然不能无限拓张。为了解决这个问题，我们需要定期将Memtable当中的内容存储到磁盘，存储成一个SSTable。这也是SSTable的来源，SSTable当中的数据不是凭空出现的，而是LSM落盘产生的。

同样，由于我们不断地落盘同样也会导致SSTable的数量增加，前面我们也已经分析过了，SSTable的数量增加会影响我们查找的效率，所以我们不能放任它无限增加。再加上我们还存储了许多修改和删除的信息，我们需要把这些信息落实。为了达成这点，我们需要定期将所有的SSTable合并，在合并的过程当中我们完成数据的删除以及修改工作。换句话说，之前的删除、修改操作只是被记录了下来，直到合并的时候才真正执行。

整个归并的过程并不难，类似于归并排序当中的归并操作，只是我们需要加上状态的判断。

总结

我们回顾一下LSMT的整个过程，虽然说是树，但其实树形结构并不明显。但如果我们观察一下查找元素时候的查询顺序，其实是从Memtable，然后沿着SSTable顺序往下的，这点和树形结构是一致的，可以看成一个比较”窄“的树。如果还是觉得这个数据结构长得不那么像一棵树是正常的，我们不用纠结。另外，从原理上来看，简直有些简单粗暴地过头，但是从实际结果来看，它的效果却非常好，在Hbase、kudu当中有着广泛应用。

我们对比一下它和B+树，在B+树当中，我们为了能够快速读取而使用了多路平衡树，这样可以迅速找到对应key的节点。我们只需要读入节点当中的内容即可，但也正因为平衡树的结构，导致了我们在写入数据的时候会引起树结构的变动，也就涉及到多次文件的随机读写。当我们数据的吞吐量很大的时候，会带来巨大的开销。而LSMT则不然，我们读取的时候效率比B+树要低，但是对于大数据的写入支持得更好。在大数据场景当中，许多对于数据的吞吐量有着很高的要求，比如消息系统、分布式存储等。这个时候B+树就有些无能为力了，但是同样，如果我们需要保证查找的效率，那LSMT也不太合适，因此两者其实并没有谁比谁更优，而是针对的场景不同。

最后，关于LSMT，其实也有很多个变种，其中比较有名的是Jeff Dean写的Leveldb，它在LSMT的基础上做了一些改动，进一步提升了性能，相关的内容我们放到下篇文章。

今天的文章就是这些，如果觉得有所收获，请顺手点个关注或者转发吧，你们的举手之劳对我来说很重要。