优化使用 BigTable 的原则与方针

阅读数:2971 2008 年 6 月 29 日

话题:数据库架构DevOps

从围绕着 Google App Engine 的大量讨论中,Todd Hoff 总结出了一组优化使用分布式及高可伸缩性存储系统——如 BigTable——的指导原则

Todd 从定义 BigTable 的适用范围开始论述。由于 BigTable 引入的各种代价,只有在以下情况下使用 BigTable 才能带来益处:a) 需要伸缩到巨量的用户数,b) 更新与读取操作相比比例很小。Todd 还着重强调为了“优化读取速度和可伸缩性”,所采取的理论路线与关系数据库中的做法存在根本的分歧,很可能初看起来是违背直觉甚至相当冒险的。

关系数据库的世界是以防止错误为根基的;以正规化(normalization)为工具消除重复和防止更新异常。为了提高可伸缩性,数据应该重复而非正规化。Flickr 久悬着了这种路线,决定让“评论重复出现于评论者和被评论者两个用户数据分片中,而非单独建立一个评论关系”,因为“如果把用户数据分片作为可伸缩性的单元,就没有地方放置这种关系”。因此,虽然去正规化(denormalization)违背了“关系数据的伦理”,但它是 BigTable 数据范式不可缺少的组成部分。

在以上论述的基础上,Todd 针对优化使用 BigTable 存储系统总结了若干必须牢记的原则:

  • 假定数据访问是较慢的随机访问而非较快的连续访问。

因为“在 BigTable 里数据可能放在任何地方 [……],平均读取时间可能相对较高”。

  • 为并发读取对数据进行分组

为了最大程度提高并发读取,应该去正规化。也就是说,“应该改变实体的存储方式,使得一次读取操作即可读出整个实体,避免执行会导致多次读取的 join 操作”,并且“将属性复制到需要使用它们的地方。”

  • 磁盘和 CPU 都很便宜,不要再为它们操心,尽力提高可伸缩性吧

“[……] 你的应用可以任意地扩大规模,只要简单地增加新机器就可以了。所有可伸缩性瓶颈都已消除。”

  • 围绕数据的用途来决定数据的结构

要提高查询速度,数据的格式应该尽可能与数据被使用时的格式接近。因此 Hoff 主张用“以应用为出发点的实体取代 SQL 集合”。必须强调“这种方式不同于面向对象的数据库”。行为不是绑定到实体上的,而是由应用提供的,“多个应用可以读取相同的实体,却实现截然不同的行为”。

  • Compute attributes at write time.

这样可以“最小化读取时的工作量”,并能防止“应用程序遍历大量的数据”,因为这种操作是低效的。

  • 创建大型的实体,允许可选的字段

放弃正规化和建立大量小实体的旧做法,应该“创建大型的实体,允许可选的字段,以便一次操作即可读取出全部需要的数据,运行时再确定存在那些字段”。

  • 在模型中定义 Schema

为了在去正规化的条件下,保证数据跨多个实体的一致性,schema 必须“在代码中定义,因为那是唯一能跟踪所有关系和保证数据正确性的地方。”

  • 用 Ajax 隐藏更新操作。

以小的增量更新数据库是有利的。

  • Put 是昂贵的

由于“在一次查询中能执行的根新数量十分有限”,Todd 建议“执行小批量的更新,并且由外部 CPU 来驱动。”

  • 按显式费用模型设计

“点击查询表单的 OK 按钮,表示你确定准备为 GAE 的数据库操作而付费。”

  • 将 many-to-many 关系包含到实体中,但减少关联元素的数量

由于“维护一个较大的列表相对低效”,所以应该“尽量将列表中元素的数量减到最小。”

  • 避免无限制条件的查询

Todd 建议只显示某字段最新的少量记录,因为“大的查询伸缩性不佳”。

  • 避免出现对数据存储实体的争用

应该“避免全局计数器,即跟踪记录数量,且每次请求都要更新或读取的实体。”

  • 避免庞大的实体组

“对实体组的写入是顺序执行的”,因此最好“使用小的、局部的组”。

Todd Hoff对上面的每一条原则都给出了深入的解释,对其中一些原则还引用了来自GQL讨论组的例子进行详细解说。

查看英文原文:Principles and Guidelines for an Optimized Use of BigTable