mysql - 大数据的数据库选择

Question

关闭。这个问题不满足Stack Overflow guidelines .它目前不接受答案。












想改善这个问题吗？更新问题，使其成为 on-topic对于堆栈溢出。

5年前关闭。




Improve this question




我有很多文本文件，它们的总大小约为 300GB ~ 400GB。它们都是这种格式

key1 value_a
key1 value_b
key1 value_c
key2 value_d
key3 value_e
....

每行由一个键和一个值组成。我想创建一个数据库，它可以让我查询一个键的所有值。比如我查询key1时，返回的是value_a、value_b和value_c。

首先，将所有这些文件插入数据库是一个大问题。我尝试使用 LOAD DATA INFILE 语法将几个 GB 大小的块插入到 MySQL MyISAM 表中。但似乎 MySQL 不能利用多核来插入数据。它像 hell 一样缓慢。所以，我认为 MySQL 对于这么多记录来说不是一个好的选择。

此外，如果可能的话，我需要定期、每周甚至每天更新或重新创建数据库，因此，插入速度对我来说很重要。

单个节点不可能高效地进行计算和插入，为了高效，我认为最好在不同节点并行执行插入。

例如，

node1 -> compute and store 0-99999.txt
node2 -> compute and store 10000-199999.txt
node3 -> compute and store 20000-299999.txt
....

所以，这里是第一个标准。

标准 1. 分布式批处理方式插入速度快。

然后，正如您在文本文件示例中看到的，最好为不同的值提供多个相同的键。就像示例中的 key1 映射到 value_a/value_b/value_c 一样。

标准 2. 允许使用多个 key

然后，我需要查询数据库中的键。不需要关系或复杂的连接查询，我需要的只是简单的键/值查询。重要的部分是同一个值的多个键

标准 3. 简单快速的键值查询。

我知道有 HBase/Cassandra/MongoDB/Redis .... 等等，但我不熟悉所有这些，不确定哪一个适合我的需要。所以，问题是 - 使用什么数据库？如果它们都不适合我的需求，我什至计划建立自己的，但这需要努力:/

谢谢。

Answer 1

可能有很多系统可以满足您的需求。您的要求通过以下几种方式使事情变得轻松愉快:

因为不需要任何交叉键操作，所以可以使用多个数据库，通过散列或范围分片在它们之间划分键。这是解决您在 MySQL 中观察到的并行性缺乏的一种简单方法，并且可能会在许多其他数据库系统中观察到。

因为你从不进行任何在线更新，所以你可以批量构建一个不可变的数据库，然后在一天/一周的剩余时间里查询它。我希望你能以这种方式获得更好的表现。

我倾向于构建一组哈希分片 LevelDB表。也就是说，我不会使用实际的 leveldb::DB它支持更复杂的数据结构(一堆表和一个日志)，以便您可以进行在线更新；相反，我会直接使用 leveldb::Table和 leveldb::TableBuilder对象(没有日志，给定键只有一个表)。这是一种非常有效的查询格式。如果您的输入文件已经按照您的示例进行排序，那么表格构建也将非常有效。您可以通过增加分片数量来实现您想要的任何并行度 - 如果您使用 16 核、16 个磁盘的机器来构建数据库，则至少使用 16 个分片，所有分片都是并行生成的。如果您使用 16 个 16 核、16 个磁盘的机器，则至少有 256 个分片。如果您的磁盘比现在许多人所做的内核少得多，请尝试两者，但您可能会发现更少的分片可以更好地避免搜索。如果您小心的话，我认为您基本上可以在构建表时最大限度地提高磁盘吞吐量，这说明了很多，因为由于键前缀压缩(以及可选的 Snappy)，我希望这些表明显小于您的输入文件块压缩)。您将主要避免查找，因为除了通常可以在 RAM 中缓冲的相对较小的索引之外，leveldb 表中的键的存储顺序与您从输入文件中读取它们的顺序相同，再次假设您的输入文件已经排序。如果不是，您可能需要足够的分片，以便您可以在 RAM 中对分片进行排序，然后将其写出，也许可以更按顺序处理分片。