【原】用最少人力玩转万亿级数据，我用的就是MongoDB（问答篇）

　　用最少人力玩转万亿级数据，我用的就是MongoDB

　　以下为本次分享的问答环节：

　　>>>>

　　Q&A

　　Q1：性能优化有推荐的分析和监控工具么？

　　A1：《MongoDB》常用性能分析主要如下：

　　1.1 MongoDB自带性能分析工具

　　1）MongoDB官方对外工具mongostat

　　命令行使用方法(ip:port为代理ip和端口):

　　mongostat -h ip:port -u用户名 -p密码 --authenticationDatabase=admin --discover

　　

　　mongostat工具带上--discover，可以把所有分片节点信息一起打印出来，直观查看整个集群所有节点实例级监控信息。mongostat统计信息中最核心的几个影响性能的统计项：

　　dirty：存储引擎脏数据比例，默认该值为5%的时候，wiredtiger存储引擎自带的evict现成开始选择脏数据page淘汰到磁盘；如果该值达到20%，客户端请求对应MongoDB处理现成将会选择脏数据page淘汰到磁盘，等page淘汰腾出内存空间后，才会处理客户端请求的DB访问，所以如果阀值达到20%客户端访问将会变慢；used：存储引擎cacheSize配置占用百分比，如果配置cacheSize=10G，存储引擎实际使用了7G，则used赞比为70%。当该统计值达到80%，evict线程将会触发选择涨数据淘汰，如果这个占比提高到95%，用户请求线程将会触发淘汰，客户端请求将会变慢；qrw arw：等待队列数，如果该值越大，说明会引起客户端请求排队处理。一般该值会再dirty占比超过20%，used占比过高超过95%，或者磁盘IO慢会出现；vsize res：虚拟内存和物理内存真实占用，如果vsize过高，远远超过res，或者res过高，远远超过cachesize配置，则说明内存碎片，pageheap等问题，这时候可以通过加速tcmalloc内存释放速率来解决问题。

　　2）慢日志分析

　　通过以下命令分析日志文件

　　找出文件末尾1000000行中存在扫表的操作，不包含oplog，getMore

　　tail mongod.log -n 1000000 | grep ms |grep COLLSCAN |grep -v "getMore" | grep -v "oplog.rs"

　　找出文件末尾1000000行中所有的慢日志，不包含oplog，getMore

　　tail mongodb.log -n 1000000 |grep ms | grep op_msg | grep find | grep -v "oplog.rs" |grep -v "getMore"

　　找出文件末尾1000000行中执行时间1-10s的请求，不包含oplog，getMore

　　tail mongodb.log -n 1000000 |grep ms | grep op_msg | grep find | grep -v "oplog.rs" |grep -v "getMore" | egrep [1-9][0-9][0-9][0-9]ms

　　3）currentOp正在执行的慢操作分析

　　慢日志只有当请求执行完毕才会，如果一个表很大，一个查询扫表，则整个执行过程可能需要数小时，可能还没记录慢日志，则可以通过如下命令获取当前执行时间超过5s的所有请求，查询请求，command请求：

　　db.currentOp({"secs_running":{"$gt":5}})

　　db.currentOp({"secs_running":{"$gt":1}, "op":"query"})

　　db.currentOp({"secs_running":{"$gt":5}, "op":"command"})

　　kill查询时间超过5s的所有请求：

　　db.currentOp().inprog.forEach(function(item){if(item.secs_running > 5 )db.killOp(item.opid)})

　　4）节点存储引擎监控信息

　　db.serverStatus().wiredTiger可以获取mongod节点对应存储引擎的各自详细统计信息，里面可以完整获取时延消耗在存储引擎哪一个环节。

　　下面是空余时间分析的wiredtiger源码，分析不是很完整，后续等mongodb server层单机、复制集、分片等完整模块化分析后，会回头继续分析。

　　wiredtiger存储引擎源码详细注释分析

　　github/y123456yz/reading-and-annotate-wiredtiger-3.0.0

　　1.2 操作系统性能瓶颈分析

　　系统层面性能分析工具主要有：top、iostat、pstak、ptress、perf、iotop、isof等，具体请参考对应工具说明。

　　1.3 开源MongoDB详细乐器培训监控套记

　　开源方案可以参考以下组件：

　　Grafana+Prometheus+node_exporter+mongodb_exporter

　　服务端组件：

　　Prometheus #服务端

　　Grafana #前端展示

　　客户端组件：

　　node_exporter

　　mongodb_exporter

　　Q2：会话加标签是怎么指定服务器？

　　A2：举一个例子形象说明：我们把用户分为三组，20 岁以下（junior)，20 到 40 岁（middle）和 40 岁以上（senior），按照下面的几条命令执行以后，我们的数据会按照用户年龄段拆分成若干个 chunk，并分发到不同的 shard cluster 中。

　　如果对下面的命令不熟悉，可以查看 MongoDB 官方文档关于 Shard Zone/Chunk 的解释。

　　sh.addShardTag('shard01', 'junior')

　　sh.addShardTag('shard02', 'middle')

　　sh.addShardTag('shard03', 'senior')

　　sh.addTagRange('test.users', {'user.age': MinKey}, {'user.age':20}, 'junior')

　　sh.addTagRange('test.users', {'user.age': 21}, {'user.age':40}, 'middle')

　　sh.addTagRange('test.users', {'user.age': 41}, {'user.age': MaxKey}, 'senior')

　　通过上面的6个命令给'test库的user表加标签，20以下对应标签为'junior'，21-40对应标签为'middle'，41以上对应标签为'senior'。同时把'junior'标签分配给'shard01'，也就是0-20岁的user会全部写到'shard01'，21-40岁的user会全部写到'shard01'，41岁以上的user会全部写到'shard01'。

　　这样就可以解决跨机房写的问题，只要对应分片主节点在对应机房即可。

　　Q3：脏数据比例多少算高？

　　A3：默认20%算高，如果脏数据比例持续性超过20%，可以试着提高wiredtiger存储引擎后台淘汰线程数：

　　db.adminCommand( { setParameter : 1, "wiredTigerEngineRuntimeConfig" : "cache_size=35GB, eviction=(threads_min=4, threads_max=12)"})

　　Q4：写分开，会有时延吗，是不是有一致性问题？

　　A4：一致性默认完全由MongoDB复制集自带的主从同步机制来保证最终一致性，不存在双向同步两集群的一致性问题。

　　如果要实现复制集中主从节点的强一致性，可以通过客户端配置writeconcern策略来解决。

　　Q5：比如想定位详细的慢查询呢?

　　A5：和问题1雷同，可以通过分析currentop、日志文件或者systemfile慢日志表来获取详细的慢日志信息。建议平台化收集慢日志，这样界面展示分析更加直观。

　　Q6：如何快速定位Mongodb的问题发生在集群中的哪些节点？ 在启用读写分离的情况下？

　　A6：我们用mysql_fdw进行迁移，这也是很方便的一种方式。关于迁移的注意事项，除了数据类型是适配，需要注意PG一定要使用UTF8编码。另外PG不支持\0000这个特殊的Unicode字符。当然这个字符也没是什么实际意义，主要是有一些应用系统数据入库不规范，在以前的DB2或MySQL库里不小心写入的这个字符，后面迁移到PG的时候就需要规范化，把这个非法字符删掉。

　　主要通过如下几个步骤来分析：

　　db.serverStatus().opLatencies监控mongod实例时延 ；如果由运维研发能力，可以自己收集时延展示，如果没有。则可以借助开源工具系统实现，参考《1.3 开源MongoDB详细监控套记》；充分利用mongostat监控集群所有节点实时脏数据、队列、内存信息；参考《1.1 MongoDB自带性能分析工具》；慢日志分析。

　　参考问题5的回答。

　　Q7：杨老师，就您经验来讲，您觉得如何保证MongoDB的安全性呢？

　　A7：安全性方面主要由以下几方面保证：

　　账号鉴权认证，一个库一个账号；readWrite权限去除删库、删表等危险操作权限；不同业务不混用同一个集群；启用黑白名单功能；我司MongoDB内核增加审计、流量控制、危险操作控制等功能(注：部分功能是MongoDB企业级功能，需要付费，可以使用percona mongodb版本)；数据定期备份，我司MongoDB内核增加有热备功能。

　　注意：如果数据量很大，建议不要使用mongodump备份，mongodump备份会很慢，同时通过mongorestore恢复也是一条数据一条数据恢复，同样很慢。如果有内核研发能力，可以增加热备功能。如果没有内核研发能力，可以通过如下步骤备份：1. 隐藏节点；2. 锁库；3. 拷贝数据文件。或者采用percona mongodb版本来备份。

　　Q8：MySQL和MongoDB双写的话怎么保证事务呢？

　　A8：MySQL我不是很了解，MongoDB不推荐搭两集群双向同步来备份，直接利用MongoDB原生的复制集功能来完成多活容灾，成本、性能、一致性都可以得到保证。即使是4.2分布式事务功能也可以直接利用MongoDB自身的机制来保证，具体方案参考我在Qcon全球软件开发大会的分享：

　　万亿级数据库MongoDB集群性能优化及机房多活容灾实践

　　zhuanlan.zhihu/p/343524817

　　Q9：hashnum 的方式来讲数组中的方式来拆分成多个表？没太明白 。

　　A9：分享的案例2：万亿级数据量MongoDB集群性能数倍提升优化实践

　　zhuanlan.zhihu/p/343524817，不是拆分数据到多个表，而是把一条数据(该数据保护一个数组，数组中包含数百万个子文档)通过hash的方式散列为多条数据。也就是之前数百万个子文档归属于一条数据，现在把他拆分为归属到多条数据。

　　通过这样合理的数据合并和拆分，最终平衡磁盘IO，实现读和写达到一种平衡态，既能满足业务读需求，同时也能满足业务写需求。

　　Q10：对分片键设计要求高吗？

　　A10：分片集群片建选择非常重要，对分片模式集群性能起着核心至关重要的作用，分片集群片建选择遵循以下几个原则：

　　1）首先需要考虑集群部署是否需要分片？

　　只有以下情况才需要分片功能：1. 数据量太大，一个分片撑不住；2. 写流量太大，写只能走主节点，一个主节点撑不住，需要扩分片分担写流量。

　　2）片建选择原则？

　　片建选择原则如下:

　　保证数据尽量离散；尽量保证更新和查询到同一个分片(如果同一次更新或者查询到多个分片，只要任何一个分片慢，该操作都会慢；同时部分查询会进一步加剧代理聚合负担)。

　　此外，如果查询注意是范围查询，建议选择范围分片，这样有利于范围数据集中到同一个分片。

　　Q11：大表分片后，写表还是会跨机房吗？

　　A11：机房多活打标签方式解决跨机房写问题，同样可以对对应tag表启用分片功能，保证数据到指定的多个分片，每个分片主节点在指定机房，可以解决跨机房问题。详情参考：《会话加标签是怎么指定服务器？》

　　Q12：老师您好，想请问下MongoDB适合做商城app数据库吗？一般在哪些场景使用呢？谢谢！

　　A12：个人觉得完全可以满足要求，同时还有利于业务的快速迭代开发。MongoDB天然的模式自由(加字段方便)、高可用、分布式扩缩容、机房多活容灾机制，可以快速推进业务迭代开发。以我的经验，至少90%以上使用mysql的场景，MongoDB同样可以满足要求。MongoDB唯一缺点可能是生态没mysql健全，研究MongoDB的人相当少。

　　Q13：老师能讲讲你们容量预警是怎么做的吗？

　　A13：容量水位我们分为以下几种：

　　1）磁盘容量限制

　　当一个分片中磁盘使用率超过80%，我们开始扩容增加分片。

　　2）流量超过阀值

　　读写流量阀值水位如下：1. 如果是分片的写流量持续性超过3.5W/s(ssd服务器)则扩容分片；2. 如果是读流量单节点持续性超过4W/s(ssd服务器，所有读走磁盘IO)，则扩容从节点来解决读流量瓶颈，注意需要配置读写分离。

　　3）CPU阀值

　　我们所有实例容器部署，实例如果CPU使用率持续性超过80%，考虑增加容器CPU。

　　Q14：数据一致性在迁移过程中同步你们是怎么保证的呢？

　　A14：如果通过mongoshake等工具迁移集群，需要提前关闭blance功能，否则无法解决一致性问题。

　　我们线上集群只有把数据从集群迁移到另一个集群的时候才会使用mongoshake，我们机房多活不是多个集群双写方式，而是同一个集群，通过夫直接的主从同步拉取oplog机制实现一致性，所以不存在一致性问题。可以参考《万亿级数据库MongoDB集群性能优化及机房多活容灾实践》

　　Q15：我们数据体量不太大，主要是杂，这种环境想做好数据治理，老师你建议把重点放在哪些方面？然后有没有一些比较常见的坑？

　　A15：数据量不大，比较杂的场景，一般集群搞一个复制集即可满足要求，无需分片模式部署。

　　我猜测你们的比较杂可能是利用MongoDB的模式自由，造成每条数据的字段各不相同，数据长度大小各不一致。建议在使用模式自由这一功能的时候，一定不要”滥用”、”乱用”，在使用时代码逻辑需要简单控制。我重节线上遇到的对模式自由的”滥用”、”乱用”引起的集群问题：

　　同一个表数据字段各不相同，建议同一个表所有数据的字段保持一致，即使新数据增加字段也需要在老数据中增加该字段，保持字段一致；同一个表的数据的字段控制在50个KV以内，这样对应更新、查询等性能分析有利，减少磁盘IO消耗；如果数据字段过多，查询的时候不要返回所有字段，只获取对本次查询有用的字段，减少忘了IO开销；数组别乱用，数组中的文档保持格式统一；数组中的子文档如果需要查询指定字段，一定记得对数组中嵌套的字段添加子索引；数组字段中的文档一定要控制在一定范围，避免该数组过大，数组过大有遍历、磁盘IO过高等问题；嵌套子文档层数不宜过多；.......

　　Q16：现在有多大数据量？

　　A16：公司内部MongoDB规模已经很大了，总体超过万亿级，具体数据不太方便透露。

　　Q17：你们对这个大数据平台有多少开发人员？

　　A17：我们研发+运维人员很少，MongoDB拥有天然的高可用、分布式扩缩容、机房多活容灾等功能，保证了可以用很少的人力来满足公司快速增长的业务需求。