MongoDB磁盘IO问题的3种解决方法

io概念

在数据库优化和存储规划过程中，总会提到io的一些重要概念，在这里就详细记录一下，对这个概念的熟悉程度也决定了对数据库与存储优化的理解程度，以下这些概念并非权威文档，权威程度肯定就不能说了。

读/写io，最为常见说法，读io，就是发指令，从磁盘读取某段扇区的内容。指令一般是通知磁盘开始扇区位置，然后给出需要从这个初始扇区往后读取的连续扇区个数，同时给出动作是读，还是写。磁盘收到这条指令，就会按照指令的要求，读或者写数据。控制器发出的这种指令＋数据，就是一次io，读或者写。

大/小块io，指控制器的指令中给出的连续读取扇区数目的多少，如果数目很大，比如128，64等等，就应该算是大块io，如果很小，比如1， 4，8等等，就应该算是小块io，大块和小块之间，没有明确的界限。

连续/随机io，连续和随机，是指本次io给出的初始扇区地址，和上一次io的结束扇区地址，是不是完全连续的，或者相隔不多的，如果是，则本次io应该算是一个连续io，如果相差太大，则算一次随机io。连续io，因为本次初始扇区和上次结束扇区相隔很近，则磁头几乎不用换道或换道时间极短；如果相差太大，则磁头需要很长的换道时间，如果随机io很多，导致磁头不停换道，效率大大降底。

顺序/并发io，这个的意思是，磁盘控制器每一次对磁盘组发出的指令套（指完成一个事物所需要的指令或者数据），是一条还是多条。如果是一条，则控制器缓存中的io队列，只能一个一个的来，此时是顺序io；如果控制器可以同时对磁盘组中的多块磁盘，同时发出指令套，则每次就可以执行多个io，此时就是并发io模式。并发io模式提高了效率和速度。

io并发几率。单盘，io并发几率为0，因为一块磁盘同时只可以进行一次io。对于raid0，2块盘情况下，条带深度比较大的时候（条带太小不能并发io，下面会讲到），并发2个io的几率为1/2。其他情况请自行运算。

iops。一个io所用的时间＝寻道时间＋数据传输时间。 iops＝io并发系数/（寻道时间＋数据传输时间），由于寻道时间相对传输时间，大几个数量级，所以影响iops的关键因素，就是降底寻道时间，而在连续io的情况下，寻道时间很短，仅在换磁道时候需要寻道。在这个前提下，传输时间越少，iops就越高。

每秒io吞吐量。显然，每秒io吞吐量＝iops乘以平均io size。 io size越大，iops越高，每秒io吞吐量就越高。设磁头每秒读写数据速度为v，v为定值。则iops＝io并发系数/（寻道时间＋io size/v），代入，得每秒io吞吐量＝io并发系数乘io size乘v/（v乘寻道时间＋io size）。我们可以看出影响每秒io吞吐量的最大因素，就是io size和寻道时间，io size越大，寻道时间越小，吞吐量越高。相比能显著影响iops的因素，只有一个，就是寻道时间。

mongodb磁盘io问题的3种解决方法

1.使用组合式的大文档

我们知道mongodb是一个文档数据库，其每一条记录都是一个json格式的文档。比如像下面的例子，每一天会生成一条这样的统计数据：

　　{ metric: content_count, client: 5, value: 51, date: isodate(2012-04-01 13:00) }

　　{ metric: content_count, client: 5, value: 49, date: isodate(2012-04-02 13:00) }

而如果采用组合式大文档的话，就可以这样将一个月的数据全部存到一条记录里：

　　{ metric: content_count, client: 5, month: 2012-04, 1: 51, 2: 49, ... }

通过上面两种方式存储，预先一共存储大约7gb的数据(机器只有1.7gb的内存)，测试读取一年信息，这二者的读性能差别很明显：

　　第一种: 1.6秒

　　第二种: 0.3秒

　　那么问题在哪里呢?

实际上原因是组合式的存储在读取数据的时候，可以读取更少的文档数量。而读取文档如果不能完全在内存中的话，其代价主要是被花在磁盘seek上，第一种存储方式在获取一年数据时，需要读取的文档数更多，所以磁盘seek的数量也越多。所以更慢。

实际上mongodb的知名使用者foursquare就大量采用这种方式来提升读性能。

2.采用特殊的索引结构

我们知道，mongodb和传统数据库一样，都是采用b树作为索引的数据结构。对于树形的索引来说，保存热数据使用到的索引在存储上越集中，索引浪费掉的内存也越小。所以我们对比下面两种索引结构：

　　db.metrics.ensureindex({ metric: 1, client: 1, date: 1}) 与 db.metrics.ensureindex({ date: 1, metric: 1, client: 1 })

采用这两种不同的结构，在插入性能上的差别也很明显。

当采用第一种结构时，数据量在2千万以下时，能够基本保持10k/s 的插入速度，而当数据量再增大，其插入速度就会慢慢降低到2.5k/s，当数据量再增大时，其性能可能会更低。

而采用第二种结构时，插入速度能够基本稳定在10k/s。

其原因是第二种结构将date字段放在了索引的第一位，这样在构建索引时，新数据更新索引时，不是在中间去更新的，只是在索引的尾巴处进行修改。那些插入时间过早的索引在后续的插入操作中几乎不需要进行修改。而第一种情况下，由于date字段不在最前面，所以其索引更新经常是发生在树结构的中间，导致索引结构会经常进行大规模的变化。

3.预留空间

与第1点相同，这一点同样是考虑到传统机械硬盘的主要操作时间是花在磁盘seek操作上。

比如还是拿第1点中的例子来说，我们在插入数据的时候，预先将这一年的数据需要的空间都一次性插入。这能保证我们这一年12个月的数据是在一条记录中，是顺序存储在磁盘上的，那么在读取的时候，我们可能只需要一次对磁盘的顺序读操作就能够读到一年的数据，相比前面的12次读取来说，磁盘seek也只有一次。

　　db.metrics.insert([

　　{ metric: content_count, client: 3, date: 2012-01, 0: 0, 1: 0, 2: 0, ... }

　　{ .................................., date:

　　{ .................................., date:

　　{ .................................., date:

　　{ .................................., date:

　　{ .................................., date:

　　{ .................................., date:

　　{ .................................., date:

　　{ .................................., date:

　　{ .................................., date:

　　{ .................................., date:

　　{ .................................., date:

　　])

结果：

　　如果不采用预留空间的方式，读取一年的记录需要62ms

　　如果采用预留空间的方式，读取一年的记录只需要6.6ms

总结

以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作具有一定的参考学习价值，如果有疑问大家可以留言交流，谢谢大家对的支持。