概述

分布式数据库系统是物理上分布而逻辑上集中的数据库系统，为了提高性能并最大限度地减少资源争用，其被广泛用于海量数据处理的场景中。在这种情况下，数据库查询速度是系统性能表现的决定性指标。而由于数据分布在不同节点上并通过网络通信在不同节点间传输，分布式查询的处理流程比单机集中式查询更加复杂。与传统的集中式数据库系统相比，对分布式查询的构建和优化需要同时考虑CPU、I/O成本以及网络通信成本。

本文旨在从分布式集群视角，对Transwarp Scope查询相关原理和优化技术进行较为全面的解读。

整体流程

对于分布式搜索引擎来说，一般情况下， 一次查询涉及到多台机器的多个分片，正确的结果需要汇总多个分片的各自结果之后才能获得。因此，无论是Transwarp Scope还是es，其查询过程都包括一个Merger的角色存在，这个Merger在es中是Coordinating node, 而在NS中是Client。而整个流程以Phase划分，可以分为DFS, QUERY, FETCH三类Phase。

专用词与明确

分片一般也被成为shard/tablet

Phase简介

DFS Phase:统计数据收集阶段，对于文本信息来说，其在单个text中的freq等信息是准确的。但是类似与idf这样的全局统计信息而言，每个分片只能明确该文本在分片内部的idf，也就是一个局部的idf。如果不进行全局idf综合统计，仅以local idf计算score，得出来的分数是不准确的。所以，在很多对打分结果准确性要求较高的场景下， 都会有dfs这个阶段进行全局统计信息汇总。当然，也因为多了这个阶段，相应地响应速度也会受到影响。

Query Phase:查询阶段， 根据client输入的信息在各个分片上找到匹配的文档*。这一阶段基本上会做3件事情：match（匹配），score(打分），local_sort(本地排序）。各个分片会将匹配的doc_id*，返回给Merger节点。Merger节点会对各个分片汇报上来的doc_set进行merge + global_sort。然后根据client设定的from,size, 从global_result_set中cut出[from, from + size]，再进行下一阶段。

Fetch阶段：获取doc原始内容的phase。该Phase会根据Query Phase结束后的global_result_set向各个分片索要目标的doc_set, 包括文档的原始内容以及可能的某些再加工内容，比如Highlight。由于要真正地加载文档内容[source]，所以 Fetch阶段会产生比较大的io负载（page cache缺失的情况下）。因此，如果是一些大宽表（500列+）的场景，其行数据size比较大的情况下，更可行的方式其实是把ES/NS作为一张纯粹的Index Table，即只对目标列设置索引 + 对外表主键列存储source。如此，当query阶段阶段执行完之后，进行fetch phase的时候只需要加载rowkey这一列的值，再global_result_set中的外表rowkey值去外部行数据库中拿到原始内容，这样做能明显减轻es/ns集群的存储和读写压力。

从整体上来看，查询部分基本的架构原则就是用各种不同的Phase拼接执行不同的查询动作，即Compose Phases into Action.如上图示意。

查询操作类型简介

查询操作本身可以按照如上图这样进行细分， 各自含义如下表：

点查询图解

点查，或者说排序查询是核心功能，举例如下。

对于一张成绩表schema=(姓名、数学成绩、语文成绩、 英语成绩），整张表格有3个tablet, 现在要获取全部成绩的前3名，则整体流程如下图所示。

如上图所示，即为单次点查询的原理示意图。在Query阶段，所有Tablet都将自己的数学成绩的前3名汇总给Merger, Merger进行全局排序之后，发现真正的前三名是tablet1的11,4号, tablet3的4号。然后在Fetch阶段，将这些对应doc标识发送给tablet1, tablet3, 再拿到对应的文档原始内容，这里有2处细节值得提及。

二维全局rowKey。在上图所示数据分布体系中， 用以表示全局唯一row或者doc的标识是一个（tablet, docId)的二元组，及tablet1和tablet3都有doc4, 但2者没有关系。

上图所示是在全局数据本身无序分布的情况下进行排序查询的流程，如果对数据本身就是有序分布的， 那么流程会大大简化，这一点会在后续内容中讨论。

分页查询

所谓分页查询，或者扫描，就是当结果集比较大的时候，分成多次rpc返回结果。

1.并发分页查询

所谓并发分页，如下图所示，就是client同时向所有的tablet发送request。这种情况下，每一页的具体流程以排序/不排序分可以对应上文点查/轻量点查。

2.顺序分页查

所谓顺序分页查，如上右图所示，指的是每一页并不是将rpc同时发送给所有tablet, 而是对所有tablet进行逐个扫描，tablet1，tablet2，tablet3。这种扫描方式的明显好处就是大幅度减少了rpc的数量，降低了集群整体负载。又因为每个rpc只有1个tablet的结果，所以也不需要进行多个tablet结果的合并，降低了client的处理负载。

3.动态超分页查询

对于查询操作来说，缓存是很有效果的优化措施。尤其是对一些单线程扫描全表的应用，其客户端内存可能大量闲置。这种场景下，合理地使用客户端内存作为缓存来优化查询速度，就是动态超分页查询的思想，其基本原理仍以是否排序分2种情况讨论。

对于不排序场景，缓存的策略很简单，如上图所示，就是一次rpc取n个整页，放在客户端内存中备用，从第二次之后，直接从本地内存中取用。而为了在保证稳定性的基础上尽可能地加快scan，对于N这个值采用二进制试探+回退的方式进行控制。即最开始只取一页，然后是2,4,8,16。在这个过程中，保存Page的平均大小和已经使用的内存量，综合jvm内存大小，从而计算出下一次scan最大能拿多少页。从而让N回退，降低client内存压力，保证客户端程序的稳定。在实际使用中，一般会限定客户端jvm_heap的8%作为scan_cache的上限。

此外，为了避免N过大导致延迟过长问题，当单次时间超过一定阈值的时候，N也会相应回退，避免让客户端感觉到太明显的卡顿。

对于排序场景，缓存不能像no sort场景下这么鲁莽。因为排序本身存在一个回收率（1/s)的问题，即前文所提及的，3个shard， 取前3名，则实际上需要拿到3×3=9行数据，最终有效返回却是只有3行，所以回收率=1/3。在超大集群场景下，一张大表可能有500+个shard，此时如果贸然地扩大N倍，一次性从server端取回4000-5000个page，很有可能造成client剧烈的gc, 影响程序稳定。因此，排序场景下客户端缓存，Transwarp Scope采用了客户端复用的方式来进行。

如上图所示，续前文所述排序场景下QueryThenFetch的流程，当第一轮Fetch结束之后，真正的全局前三被fetch之后，剩余的(图中标红的）T1-doc5, T2-doc11-doc22-doc15和T3-doc32-doc5，一定是下一轮全局排序的备选项，所以下一轮query阶段并不需要再从每个tablet拿3个了，对于tablet1，只需要再拿2个，tablet3再拿3个， 而tablet2则不需要在round2进行query阶段。在超大表的场景下，以500shard, page_size=1000为例， 那么98%的row都可以在客户端进行复用，从而大大减少了rpc次数和server端查询排序的开销。当然，实际生产环境中也要考虑到rpc_size的问题，配合整页缓存一起使用。

查询优化的基础：分区

分区是最直接有效的查询加速手段，尤其是对于超大规模的集群的大表（1000+ shard， 单表50T)这样的场景，如果能在查询真正开始之前将搜索范围缩小到全量数据*的1-2%，即10-20shard，500G-1000G这个规模。那么实际表现出来的性能就是百毫秒到秒级级别。

最常见的两种分区机制，是Range分区和Hash分区。

1.Range分区

如上图所示，即为Range分区的基本原理示意图，所有的row, 按照age这一列进行划分partition。当select (14,19)之间的row时，就可以通过partition prune将查询限制在一个tablet1上，从而避免了全表搜索，大幅度减少了集群负载。

另外，在排序场景下，如果要获取全局age最大的5个row， 那么在已有范围分区的情况下，只需要对tablet1和tablet2的数据进行排序， 填满结果集即可，避免了对Tablet1的无效查询和排序。

又如上图所示，在Range分区的基础上，配合分片内部的预排序，就可以保证整张表格数据的全局有序。此时的升序扫表动作，就转换成了顺序依次扫描每个shard，从而完全避免了分片级别/表级别的排序动作，极大提升速度。

2.Hash分区

hash分区的即是根据指定列的hash值进行分区，如上图所示，当搜索age=13的所有row时， 由于13的hash值是1，所以搜索可以被剪枝到tablet1上，从而避免了tablet0, tablet2的无效搜索。

3.混合分区

分区的实际意义在于，通过对数据进行物理分布上的隔离，从而查询时进行大片的剪枝。在实际使用中，真实数据可能有很多的细化查询需求，需要对数据进行不止一层或一种分区，这就对应了混合分区的概念。

如上图所示，数据全集采用2层分区进行物理隔离，在shard级别，按照age进行范围分区。在每个shard内部，再按照rid进行hash分区。那么对于如上图sql, 查询操作能立刻通过partiton prune将范围缩小到shard1的P0 Parition上，查询范围大大缩小。

注意，在同一个物理隔离级别上，只能有一个Range分区标准，否则会有歧义导致无法排序。而Hash分区可以组合多个。

总结

本文分别从客户端和集群的视角，介绍了Transwarp Scope的查询的基本流程、基本原理、实现方式以及不同类型分区对查询速度带来的优化。