如何将 MongoDB MapReduce 速度提升 20 倍
分析在MongoDB中正成为越来越重要的话题，因为它在越来越多的大型项目中使用。人们厌倦了使用不同的软件来做分析（包括Hadoop），它们显然需要传输大量开销的数据。
MongoDB提供了两种内置分析数据的方法：Map Reduce和Aggregation框架。MR非常灵活，很容易部署。它通过分区工作良好，并允许大量输出。MR在MongoDB v2.4中，通过使用JavaScript引擎把Spider Monkey替换成V8,性能提升很多。老板抱怨它太慢了，尤其是和Agg框架（使用C++）相比。让我们看看能否从中榨出点果汁。
练习
让我们插入1千万条文档，每个文档包含一个从0到1000000的整数。这意味着平均有10个文档会具有相同的值。
> for (var i = 0; i < 10000000; ++i){ db.uniques.insert({ dim0: Math.floor(Math.random()*1000000) });} > db.uniques.findOne() { "_id" : ObjectId("51d3c386acd412e22c188dec"), "dim0" : 570859 } > db.uniques.ensureIndex({dim0: 1}) > db.uniques.stats() { "ns" : "test.uniques", "count" : 10000000, "size" : 360000052, "avgObjSize" : 36.0000052, "storageSize" : 582864896, "numExtents" : 18, "nindexes" : 2, "lastExtentSize" : 153874432, "paddingFactor" : 1, "systemFlags" : 1, "userFlags" : 0, "totalIndexSize" : 576040080, "indexSizes" : { "_id_" : 324456384, "dim0_1" : 251583696 }, "ok" : 1 } 从这其中，我们想要计算出现的不同值的个数。可以用下列MR任务轻松完成这个工作:
> db.runCommand( { mapreduce: "uniques", map: function () { emit(this.dim0, 1); }, reduce: function (key, values) { return Array.sum(values); }, out: "mrout" }) { "result" : "mrout", "timeMillis" : 1161960, "counts" : { "input" : 10000000, "emit" : 10000000, "reduce" : 1059138, "output" : 999961 }, "ok" : 1 } 正如你在输出内容中看到的，这耗费了大概1200秒(在EC2 M3实例上进行的测试)。有1千万个map，1百万个reduce，输出了999961个文档。结果就像下面这样:
> db.mrout.find() { "_id" : 1, "value" : 10 } { "_id" : 2, "value" : 5 } { "_id" : 3, "value" : 6 } { "_id" : 4, "value" : 10 } { "_id" : 5, "value" : 9 } { "_id" : 6, "value" : 12 } { "_id" : 7, "value" : 5 } { "_id" : 8, "value" : 16 } { "_id" : 9, "value" : 10 } { "_id" : 10, "value" : 13 } ... 使用排序
我在上一篇博文中提到了在MR中使用排序多么有益。这个特性很少被理解。在这个例子中，处理未排序的输入意味着MR引擎将得到随机顺序的值，在RAM中根本无法reduce。相反，它将不得不把所有文章写入一个临时收集的磁盘，然后按顺序读取并reduce。让我们看看使用排序是否有助：
> db.runCommand( { mapreduce: "uniques", map: function () { emit(this.dim0, 1); }, reduce: function (key, values) { return Array.sum(values); }, out: "mrout", sort: {dim0: 1} }) { "result" : "mrout", "timeMillis" : 192589, "counts" : { "input" : 10000000, "emit" : 10000000, "reduce" : 1000372, "output" : 999961 }, "ok" : 1 } 确实大有助益！我们下降到192秒，已经提升了6倍。reduce的数量基本相同，但现在它们在写入磁盘前，可以在RAM内完成。
使用多线程
MongoDB对单独的MR作业并不使用多线程——它仅仅对多作业使用多线程。但通过多核CPU，在单个服务器使用Hadoop风格来并行作业非常有优势。我们需要做的是把输入分成几块，通过各个块来加速一个MR作业。也许数据集有简单的方法来分割，但其他使用splitVector命令（不明确）可以使你很快的找到分割点：
> db.runCommand({splitVector: "test.uniques", keyPattern: {dim0: 1}, maxChunkSizeBytes: 32000000}) { "timeMillis" : 6006, "splitKeys" : [ { "dim0" : 18171 }, { "dim0" : 36378 }, { "dim0" : 54528 }, { "dim0" : 72717 }, … { "dim0" : 963598 }, { "dim0" : 981805 } ], "ok" : 1 }这个命令在超过1千万个文档中找到分割点仅仅需要花费5秒，很快！那么现在我们仅仅需要一个方法来创建多个MR作业。从一个应用服务器，使用多线程和为MR命令使用$gt/$It查询 相当简单。通过shell，你可以使用ScopedThread，使用方法如下： > var t = new ScopedThread(mapred, 963598, 981805) > t.start() > t.join()
现在我们把一些快速运行的js代码放在一起，它们会产生4个线程（或者更多的线程），执行后呈现出下面的结果：
> var res = db.runCommand({splitVector: "test.uniques", keyPattern: {dim0: 1}, maxChunkSizeBytes: 32 *1024 * 1024 }) > var keys = res.splitKeys > keys.length 39 > var mapred = function(min, max) { return db.runCommand({ mapreduce: "uniques", map: function () { emit(this.dim0, 1); }, reduce: function (key, values) { return Array.sum(values); }, out: "mrout" + min, sort: {dim0: 1}, query: { dim0: { $gte: min, $lt: max } } }) } > var numThreads = 4 > var inc = Math.floor(keys.length / numThreads) + 1 > threads = []; for (var i = 0; i < numThreads; ++i) { var min = (i == 0) ? 0 : keys[i * inc].dim0; var max = (i * inc + inc >= keys.length) ? MaxKey : keys[i * inc + inc].dim0 ; print("min:" + min + " max:" + max); var t = new ScopedThread(mapred, min, max); threads.push(t); t.start() } min:0 max:274736 min:274736 max:524997 min:524997 max:775025 min:775025 max:{ "$maxKey" : 1 } connecting to: test connecting to: test connecting to: test connecting to: test > for (var i in threads) { var t = threads[i]; t.join(); printjson(t.returnData()); } { "result" : "mrout0", "timeMillis" : 205790, "counts" : { "input" : 2750002, "emit" : 2750002, "reduce" : 274828, "output" : 274723 }, "ok" : 1 } { "result" : "mrout274736", "timeMillis" : 189868, "counts" : { "input" : 2500013, "emit" : 2500013, "reduce" : 250364, "output" : 250255 }, "ok" : 1 } { "result" : "mrout524997", "timeMillis" : 191449, "counts" : { "input" : 2500014, "emit" : 2500014, "reduce" : 250120, "output" : 250019 }, "ok" : 1 } { "result" : "mrout775025", "timeMillis" : 184945, "counts" : { "input" : 2249971, "emit" : 2249971, "reduce" : 225057, "output" : 224964 }, "ok" : 1 } "ok" : 1 } { "result" : "mrout775025", "timeMillis" : 184945, "counts" : { "input" : 2249971, "emit" : 2249971, "reduce" : 225057, "output" : 224964 }, "ok" : 1 } 第一个线程时间确实超过了其他的线程，但是平均每个线程仍然用了大约190s的时间.这意味着并没有一个线程快！这有点奇怪，自从用了‘top’，在某种程度上，你可以看到所有的内核运行情况。
使用多数据库
问题是在多线程之间会有很多锁竞争。在上锁时，MR并不是那么无私的(它每1000次读操作就会产生一次锁定)，而且MR任务还会执行许多写操作，导致线程最终都会在等待另一个线程。由于每个MongoDB数据库都有私有锁，让我们尝试为每一个线程使用一个不同的输出数据库:
> var mapred = function(min, max) { return db.runCommand({ mapreduce: "uniques", map: function () { emit(this.dim0, 1); }, reduce: function (key, values) { return Array.sum(values); }, out: { replace: "mrout" + min, db: "mrdb" + min }, sort: {dim0: 1}, query: { dim0: { $gte: min, $lt: max } } }) } > threads = []; for (var i = 0; i < numThreads; ++i) { var min = (i == 0) ? 0 : keys[i * inc].dim0; var max = (i * inc + inc >= keys.length) ? MaxKey : keys[i * inc + inc].dim0 ; print("min:" + min + " max:" + max); var t = new ScopedThread(mapred, min, max); threads.push(t); t.start() } min:0 max:274736 min:274736 max:524997 min:524997 max:775025 min:775025 max:{ "$maxKey" : 1 } connecting to: test connecting to: test connecting to: test connecting to: test > for (var i in threads) { var t = threads[i]; t.join(); printjson(t.returnData()); } ... { "result" : { "db" : "mrdb274736", "collection" : "mrout274736" }, "timeMillis" : 105821, "counts" : { "input" : 2500013, "emit" : 2500013, "reduce" : 250364, "output" : 250255 }, "ok" : 1 } ... 这才像话!我们现在降到了100秒，这意味着相比一个线程而言已经提升了2倍。还算差强人意吧。现在我们只有4个核所以只快了2倍，要是在8核CPU上将会快4倍，以此类推。
使用纯JavaScript模式
当把输入数据拆分到不同线程上去的时候，发生了一些有趣的事情:每个线程现在有大约250000个不同的值来输出，而不是1百万。这意味着我们可以使用“纯JS模式”，它可以通过使用jsMode:true来开启。开启后，MongoDB在处理时将不会把对象在JS和BSON之间来回翻译，相反，它使用一个限额500000个key的内部JS字典来化简所有对象。让我们看看这是否有用:
> var mapred = function(min, max) { return db.runCommand({ mapreduce: "uniques", map: function () { emit(this.dim0, 1); }, reduce: function (key, values) { return Array.sum(values); }, out: { replace: "mrout" + min, db: "mrdb" + min }, sort: {dim0: 1}, query: { dim0: { $gte: min, $lt: max } }, jsMode: true }) } > threads = []; for (var i = 0; i < numThreads; ++i) { var min = (i == 0) ? 0 : keys[i * inc].dim0; var max = (i * inc + inc >= keys.length) ? MaxKey : keys[i * inc + inc].dim0 ; print("min:" + min + " max:" + max); var t = new ScopedThread(mapred, min, max); threads.push(t); t.start() } min:0 max:274736 min:274736 max:524997 min:524997 max:775025 min:775025 max:{ "$maxKey" : 1 } connecting to: test connecting to: test connecting to: test connecting to: test > for (var i in threads) { var t = threads[i]; t.join(); printjson(t.returnData()); } ... { "result" : { "db" : "mrdb274736", "collection" : "mrout274736" }, "timeMillis" : 70507, "counts" : { "input" : 2500013, "emit" : 2500013, "reduce" : 250156, "output" : 250255 }, "ok" : 1 } ... 现在我们降到了70秒，就搞定了任务!jsMode真心有用，尤其是当对象有很多字段的时候。这里只有一个数字字段就已经下降了30%。
MongoDB在2.6版本上的改进
在很早的2.6版本中，在任何的js函数调用的时候,我们就通过一段代码设置一个可选参数”args“。这种做法并不标准，不在使用。但是它确有留下来的原因（查看 SERVER-4654）。让我们从Git资源库中导入MongoDB，编译并运行进行测试：
... { "result" : { "db" : "mrdb274736", "collection" : "mrout274736" }, "timeMillis" : 62785, "counts" : { "input" : 2500013, "emit" : 2500013, "reduce" : 250156, "output" : 250255 }, "ok" : 1 } ... 这是明显的提高了3倍的运行速度，时间降低到了60s，大约10-15%。这种变化也提高了整体JS引擎的堆消耗。
结语
回顾一下，对于同一个MR作业，我们开始时花费1200秒，最后花费60秒，提升了20倍！这项提高应该对大部分应用都有效，即使有些trick不太理想（例如，使用多种输出dbs/collections）。至少这能提供给人们思路，如何加速他们的MR作业，希望这些特征在将来会更加易于使用。接下来的票将使得‘splitVector’命令更加有用，这张票将在同一个数据库中提升多MR作业。干杯！