欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Instagram提升PostgreSQL性能的五个技巧

程序员文章站 2022-07-06 10:29:18
 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ins...

 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infrajobs@instagram.com吧。