| 编辑推荐: |
本文来自于csdn，本文主要从Solr系统层面和索引字段优化两个方面进行优化以及展开一下的案例分析。
|
|
随着umc接入主机的数量越来越多，每天产生的syslog日志数量也在剧增，
之前一天产生syslog数量才不到1W，随着整个集团的网络设备不端接入，导致现在每天产生的syslog数量大概180w左右，而这些syslog对网络和PE同学排查线上网络设备问题又是十分重要的，他们的要求是可以提供查询最近3个月的syslog，
保存一年的syslog，在7月份的时候，针对量不多的情况，针对mysql单表做了索引，后来又做了单表备份，但是查询的速度还是无法让人接受，后面又结合页面针对mysqlcount(*)语句做了优化：
使用count(*)语句只是在第一次查询的时候查询一次，后面保存下来，在后面分页查询的时候，不再需要再查询总数量，即不调用count(*)之类的sql语句，结果在翻页时，速度还是比较快，但首次查询的时候，还是非常非常慢，但这毕竟只是一个临时的解决方案；后面结合syslog搜索的业务情况，结合各种技术参考，最终选择了使用Solr搜索引擎来解决syslog查找慢的问题；
在做压力测试的时候，发现性能问题：在数据量不大(<1000W)的时候，用Solr搜索是比较快，但随着着
syslog数据量的不断增多，写索引和搜索的速度越来越不能让人接受，因此不得不考虑对Solr进行优化；
网上了搜了一下Solr优化的大体方案，主要从如下两个步骤来进行优化：
1. Solr系统层面；
2. 索引字段优化；
针对Solr系统层的优化，主要有如下的方法：
1. 适当调大Solr查询缓存；
2.适当增加Solr集群的切片；
3根据查询的业务场景，适当调
整索引合并的时间，等等一系列通用的做法，针对这些修改以后，发现修改前后，对查询的性能没有本质的提高；
针对索引字段的优化，就是针对添加到Lucence中文档各索引字段的优化， syslog索引字段主要的字段有：
|
id(Integer),
ip(String),
log_level(String),
log_value(String)
syslog_time(Date), |
要针对这些字段优索引优化，就要首先分析索引查找的过程，要做到字段优化索引，可以从两方面考虑，
1. 减少字段索引存储量，
2. 提高查询索引比较的时间， 针对这两点，
可以毫不犹豫的考虑把String类型的字段向Integer或Long类型之类的整型字段映射转换(整型的索引存储空间一般比字段串所占的存储索引空间要小；整型的查找比较速度比字段串类型要快，其实这也是数据库查找优化的一个方面)；基于这样的考虑，ip、log_level和syslog_time可以向相应的整型映射，各个字段具体的映射方法如下：
1. ip 地址向整形映射，这个问题比较好解决，在计算机网络协议中，在底层是会把ip地址转换成对应的无符号长整型，但由于java没有无符号这个概念，因此可以考虑把ip地址向整型或长整型做相互映射转换,但因为整型比长整型占用的字节更少，因此采用整型，具体转换代码如下：
| public
static Long ipToInteger(String ip) {
String[] ips = StringUtils.split(ip,'.');
if (ips == null || ips.length < 4){
throw newRuntimeException("ip地址非法!");
}
Integer integerIP = 0;
Integer ip0= Integer.parseInteger(ips[0]);
Integer ip1= Integer.parseInteger(ips[1]);
Integer ip2= Integer.parseInteger(ips[2]);
Integer ip3= Integer.parseInteger(ips[3]);
if (ip0 > 255) {
throw newRuntimeException("ip0地址非法:"
+ ip0);
}
if (ip1 > 255) {
throw newRuntimeException("ip1地址非法:"
+ ip1);
}
if (ip2 > 255) {
throw newRuntimeException("ip2地址非法:"
+ ip2);
}
if (ip3 > 255) {
throw newRuntimeException("ip3地址非法:"
+ ip3);
}
integerIP |=( ip0 << 24) & (0xff000000);
integerIP |=( ip1 << 16) & (0x00ff0000);
integerIP |=( ip2 << 8) & (0x0000ff00);
integerIP |=( ip3 << 0) & (0x000000ff);
return integerIP ;
} |
| /**
* int类型到ip转换
* @param integerIP
* @return
*/
public static String integerToIP(IntegerintegerIP)
{
String ip = "";
Integer ip0= (integerIP & 0xff000000) >>>
24;
Integer ip1= (integerIP & 0x00ff0000) >>
16 ;
Integer ip2= (integerIP & 0x0000ff00) >>
8;
Integer ip3= (integerIP & 0x000000ff) >>
0;
ip = ip0 + "." + ip1 +"."
+ ip2 + "." + ip3;
return ip;
} |
2. log_level 只有8种值，分别是：Emergency，
Alert， Critical， Error， Warning，Notice，Informational，Debug；
这个好转换，直接按下表的方式做相互映射即可
3. 把syslog_time转换成Long类型，这个更容易，java中Date类型有一个getTime()方法经过把这三个字段都转换成整型以后，索引插入和搜索速度都提高不少，特别是搜索速度有非常非常明显的提升，特别是在数据量超过2亿的时间，效果更明显到此，字段优化完毕；但此时还发现一个问题：一次查找返回的数据量太多，导致存在翻页慢的问题，例如：一次返回10W页数据，如果一下翻到第10W页，查询的速度会非常非常慢甚至可能出现Solr集群全部宕机的情况，这是不能接受的，因为我们页面上提供了翻到最后一面的功能，
虽然用户一般情况下不会这么做，但万一不小点错了，整个线上Sorl集群就全部挂了，怎么办？这个问题，让我想起了mysql里的翻页的问题，下面两条SQL语句：
| select
* from umc_syslog where syslog_time between
date1 and date2 order by id limit 0, 10;
select * from umc_syslog where syslog_time between
date1 and date2 order by id limit 10000, 10; |
我们知道，第一条SQL语句查询的速度非常快，第二SQL语句查询的速度非常慢，在系统压力较大的情况下，可能会把mysql服务弄挂，根本原因在于limitstart,
rows语句，mysql会在扫描时，会扫过满足结果的前start行的记录，然后才读取len行的数据，如果start特别大，会非常慢，在高性能mysql这本书中介绍了各种解决分页问题的优化，如延迟关联、阶递分页等，其中阶递分页可以在Solr中实现，但我们页面不允许这么做，不然早就用Hbase来解决了，怎么办，在无解决的情况下，突然发现，Solr查询中有order
by排序的问题，适当用order by可以很好来解决limit 分页慢的问题：
假设 一个Solr查询按id 降序排序返回，假设返回10W行记录，前5W条记录可以随机分页查询到，但后面5W条记录很难随机分页查询到，造成这个问题的原因是按id降序返回，如果适当修改一下查询语句，速度可能会有所提高，因为Solr查询每次都会返回总的记录条数，这个总的记录条数是已知的，
记为total, 作如下处理：如果start 小于等于 （total >> 1）,则从前往后读；否则就从后往前读，然后，再把返回的结果逆序，显示即可，伪代码如下；
| if
start <= (total >> 1)
query order by id desc limit start, rows;
else
calculate new start as start';
calculate new rows as rows';
query order by asc limit start', rows';
reverse the return data;
end |
程序中相关代码：
| //
是否是按id升序查询, 默认是false
boolean isAscend = false;
// 升序或降序查询判断
if (totalCount == 0) {
isAscend = false;
} else {
if (start >= (totalCount >> 1) ) {
isAscend = true;
}
}
if (!isAscend) {
realStart = start;
realRows = rows;
} else {
Integer count = totalCount.intValue();
realStart = (start + rows)>= count? 0 : (count
- (start +rows));
realRows = (start + rows)>= count? (count
- start + 1) : rows;
}
solrQuery.setStart(realStart);
solrQuery.setRows(realRows);
if (!isAscend) {// id降序
solrQuery.setSort("id", ORDER.desc);
} else { // id 升序
solrQuery.setSort("id", ORDER.asc);
}
// 逆序处理
if (isAscend) {
int size = syslogVOList.size();
int left = 0;
int right = size - 1;
while (left < right) {
SyslogVO leftSyslogVO =syslogVOList.get(left);
SyslogVO rightSyslogVO =syslogVOList.get(right);
syslogVOList.set(left, rightSyslogVO);
syslogVOList.set(right, leftSyslogVO);
left ++;
right --;
}
} |
经过这个过程的处理之后，向后翻页查询的速度快了很多，至少不会出现宕机的现象；
查询页面如下：
在相同的条件下：
优化后Solr查询的时间：
优化前mysql的查询时间：
其实这个技巧在mysql分页查询，数据量非常大的时候也适用； |
