Instagram提升PostgreSQL性能的五个技巧

 随着instagram的规模日益扩大，postgres继续充当着instagram的坚实基础，并存储着绝大部分的用户数据。不到一年之前，我们还曾在博客上说instagram“存储着大量数据”，每秒增加90条数据，现在，这个数据已经增长到了峰值的10000条。而我们的基础存储技术依然保持不变。

在过去的两年半中，我们有一些关于postgres扩展的经验和工具，想要分享出来。真希望在当初启动instagram的时候就能有这些经验和工具呀。其中有些是postgres独有的，有些是其它数据库也可以采用的。如果想要了解我们是如何水平分区的，可以看。

1. 局部索引

如果我们经常需要按某个固定的特征过滤数据，而且这个特征只存在于一小部分行里，在这种情况下，局部索引非常有效。

比方说，instagram搜索标签的时候，我们需要找出有许多照片的标签。我们一般会用elasticsearch之类的技术来进行高级搜索，不过这里只靠数据库的查询能力就完全够了。先来看一下，按标签查询，并按照片数排序，postgres是怎么做的:
 

explain analyze select id from tags where name like 'snow%' order by media_count desc limit 10;   
query plan 
---------                                 
 limit (cost=1780.73..1780.75 rows=10 width=32) (actual time=215.211..215.228 rows=10 loops=1)
  -> sort (cost=1780.73..1819.36 rows=15455 width=32) (actual time=215.209..215.215 rows=10 loops=1)
     sort key: media_count
     sort method: top-n heapsort memory: 25kb
     -> index scan using tags_search on tags_tag (cost=0.00..1446.75 rows=15455 width=32) (actual time=0.020..162.708 rows=64572 loops=1)
        index cond: (((name)::text ~>=~ 'snow'::text) and ((name)::text ~<~ 'snox'::text))
        filter: ((name)::text ~~ 'snow%'::text)
 total runtime: 215.275 ms
(8 rows)

有没有看到，为了得到结果，postgres不得不对15000行数据进行排序。由于标签的分布满足长尾模式(译者注: 根据百度百科，「我们常用的汉字实际上不多，但因出现频次高，所以这些为数不多的汉字占据了上图广大的红区；绝大部分的汉字难得一用，它们就属于那长长的黄尾。」)，我们可以改为查询超过100张照片的标签，先建局部索引:
 
create index concurrently on tags (name text_pattern_ops) where media_count >= 100
然后查询，看一下新的查询计划:
 

explain analyze select * from tags where name like 'snow%' and media_count >= 100 order by media_count desc limit 10;
 
query plan
 limit (cost=224.73..224.75 rows=10 width=32) (actual time=3.088..3.105 rows=10 loops=1)
  -> sort (cost=224.73..225.15 rows=169 width=32) (actual time=3.086..3.090 rows=10 loops=1)
     sort key: media_count
     sort method: top-n heapsort memory: 25kb
     -> index scan using tags_tag_name_idx on tags_tag (cost=0.00..221.07 rows=169 width=32) (actual time=0.021..2.360 rows=924 loops=1)
        index cond: (((name)::text ~>=~ 'snow'::text) and ((name)::text ~<~ 'snox'::text))
        filter: ((name)::text ~~ 'snow%'::text)
 total runtime: 3.137 ms
(8 rows)

可以看到，postgres只需要访问169行，所以速度快得多。postgres的查询计划器对约束的评估也很有效。如果以后想要查询超过500张照片的标签，由于这个结果集是上面集合的子集，所以仍然会使用这个局部索引。

2. 函数索引

在某些表上，我们需要对一些很长的字符串建立索引，比如说，64个字符的base64记号。如果直接建索引的话，会造成大量的数据重复，这种情况下，可以用postgres的函数索引:
 

create index concurrently on tokens (substr(token), 0, 8)

虽然这样会造成许多行匹配相同的前缀，但我们可以在匹配的基础上再用过滤，速度很快。而且索引很小，只有大概原来的十分之一。

3. 用pg_reorg来让数据更紧凑

随着时间的流逝，postgres的表会变得越来越零碎(由mvcc并发模型等原因引起)。而且，数据行插入的顺序往往也不是我们希望返回的顺序。比如说，如果我们经常要按用户来查询照片等，那么最好是在磁盘上把这些东西放在一起，这样就可以减少磁盘寻道的时间。

我们用来解决这个问题，它用三个步骤来让“压紧”一个表:

1.     取得表的独占锁
2.     建一个记录变更的临时表，在原始表上加一个触发器，把对原始表的变更复制到临时表上
3.     用create table...select from...order by建表，新表拥有原始表的全部数据，而且是按索引顺序排序的
4.     将create table执行时间点以后发生的变更从临时表同步过来
5.     业务切换到新表

每一步都会有很多细节，不过大体上就是像上面这个样子。我们先对这个工具进行了一些审查，运行了若干测试，然后再把它用到生产环境上。现在，我们已经在几百台机器的环境上跑过几十次pg_reorg，没出现过任何问题。

4. 用wal-e进行wal(写前日志)的归档和备份

我们用wal-e来归档wal日志，它是heroku写的一个工具，我们也向它贡献了一部分代码。wal-e大大简化了数据备份和复制库创建的过程。

wal-e是利用progres的archive_command，将p*生的每个wal文件都归档到amazon的s3。利用这些wal文件和数据库的基准备份，我们可以将数据库恢复到基准备份后任何一个时间点的状态。利用这个手段，我们也可以快速创建只读的复制库或故障备用库。

我们为wal-e写了一个简单的封装脚本，可以监控归档时的重复故障，见github。
 
5. psycopg2中的自动提交模式和异步模式

我们也开始用psycopg2中的一些高级功能(psycopg2是postgres的python驱动)。

一个是自动提交模式。在这个模式里，psycopg2不会发出begin/commit，每个查询跑在自己的单语句事务里。这对不需要事务的只读查询特别有用。开启很简单:

connection.autocommit = true

开启自动提交后，我们的应用服务器和数据库之间的对话大减，数据库服务器的cpu用量也大减。而且，我们是用pgbouncer作为连接池，开启自动提交后，连接的归还也更快了。

与django的交互细节可以看。

psycopg2还有一个很有用的功能，它可以通过注册一个(wait callback)函数，提供协同程序(coroutine)支持。它可以支持跨连接查询，对命中多个节点的查询非常有用，当有数据时，socket会被唤醒(我们利用python的select模块来处理唤醒)。它也可以与eventlet和gevent等多线程库很好的协作，参考实现可见。

总的来说，我们对postgres的高性能和可靠性十分满意。想在世界上最大之一的postgres集群上工作吗？想跟一群基础设施高手们一起干活吗？请联系[e-mail]吧。