摘要：Hash索引有两个明显的限制：（1）当key的数量很多时，维护Hash索引会给内存带来很大的压力；（2）区间查询很低效。如何对这两个限制进行优化呢？这就轮到本文介绍的主角，LSM树，出场了。
我们通过append-only log的数据结构，实现了一个具备高写入性能的key-value数据库。append-only log之所以有很高的写入性能，主要得益于磁盘的顺序写入。这可能违反了我们对磁盘的认知，因为在我们的印象中，写磁盘总是很慢。其实不然，准确地说应该是随机写磁盘很慢，因为在写之前可能会进行多次寻址。如果只是顺序写磁盘，性能是非常的高，如下的一个ACM报告中显示，顺序写磁盘甚至比随机写内存的性能还要高！
举个例子，Kafka是一个高性能的消息队列，它的厉害之处就在于极致地利用磁盘的顺序写入性能，如果生产者和消费者的速率相当，消息甚至可以在操作系统的Page Cache层面就完成了传递。所以，以后别再认为写磁盘很慢了！
append-only log大幅提升了数据写入性能，但是随之而来的是，非常低的数据读取性能。针对这一点，我们采用Hash索引进行了优化，优化的效果也非常的显著。然而，Hash索引有两个明显的限制：（1）当key的数量很多时，维护Hash索引会给内存带来很大的压力；（2）区间查询很低效。如何对这两个限制进行优化呢？这就轮到本文介绍的主角，LSM树，出场了。
LSM树（Log-Structured Merge Tree）并不是一种数据结构，准确来说是一种存储模型，由MemTable、Immutable MemTable、SSTable等部分组成。它也是利用了append-only log的优势，大幅提升了写入性能。同时，因为key的存储有序性，所以具备了不错的读取性能，也克服了上文所述Hash索引的两个限制。下面，本文将一步步分析LSM树是如何做到这一点的。
SSTable
在最简单的数据库例子中，因为数据是无序存储的，所以在读取某个key的值时，就需要遍历整个数据文件，算法复杂度是O(n)。为了提升读性能，我们不得不在内存中维护所有key的Hash索引。
假如存储数据时，对记录按照key进行排序的会怎样？
对于key有序存储这种情况，即使不用Hash索引，也能得到很好的查询效率，因为我们可以使用二分查找法（Binary Search）来快速找到key所在的位置，算法复杂度是O(logn)。LSM树正是采用key有序这种方式来组织数据存储的，并称之为SSTable。
SSTable（Sorted String Table）是LSM树最基础的一个存储结构，存储在磁盘中，并且数据按照key进行排序的。数据保持key有序的好处是可以在O(logn)的时间下，快速找到一个key值，相比于纯粹的append-only log有了很大的提升。但是，如果所有的数据都存储在一个SSTable上，数据量一大，查询效率也会下降。因此，LSM树通常会将数据分散存储在多个SSTable中，并且记录每个SSTable的最大key和最小key，这样就能快速定位到一个key存储在哪个SSTable上了。
SSTable数据查找示例
// SSTable，数据保存到SSTable后只读不写
public class SSTable {
...
// 数据存储路径
private final LogFile logFile;
// 该SStable中存储的最小Key
private String minKey;
// 该SStable中存储的最大Key
private String maxKey;
// 使用二分查找法获取key值
public String get(String key) {
// step1：先判断是否在SSTable的范围内
if (key.compareTo(minKey) < 0 || key.compareTo(maxKey) > 0) {
return "";
}
// step2：二分查找
long start = 0;
long end = logFile.size();
while (start < end) {
long mid = start + (end - start) / 2;
// 先找到一条record到起始offset
long startOffset = logFile.startOffsetOf(mid);
String record = logFile.read(startOffset);
String midKey = Util.keyOf(record);
if (key.compareTo(midKey) == 0) {
return Util.valueOf(record);
} else if (key.compareTo(midKey) < 0) {
end = mid;
} else {
// 找到一条record到起始offset时可能会有mid == start的情况
if (mid == start) {
break;
}
start = mid;
}
}
return "";
}
...
}这里只是介绍了一种比较简单的SSTable实现方式，实际上，各种LSM树存储引擎对SSTable的实现都有所差异，比如LevelDB就将SSTable划分成两大块，数据存储区存储key:value数据，数据管理区存储索引等数据。
那么怎样才能保证SSTable的有序性呢？
类似的在磁盘中维护数据有序的存储结构最常见的当属B/B+树了，如果对SSTable也采用类似的存储结构，那么带来的第一个问题就是每次写入都会伴随着磁盘的随机写，从而影响了数据的写入性能，这明显就违反了LSM树的初衷。为了同时兼顾SSTable的有序性以及写入性能，LSM树采用了MemTable这一组件。
MemTable
相比于磁盘上维护一个有序的数据结构，在内存上实现数据有序要简单得多，而且具备较高的读写性能，常见的有序数据结构有红黑树、AVL树、跳表等，不管你插入的顺序如何，读出来的数据总是有序的。MemTable正是LSM维护在内存中的一个有序的数据结构，接下来我们看下LSM是如何利用Memtable做到同时兼顾SSTable的有序行和写入性能的：
1、当写入请求过来时，先将record写入到Memtable中，这样就能保证record在内存中有序了，而且具备较高的写入性能。
2、当Memtable的大小达到一定的阈值后（通常是几个Mb的大小），将MemTable转成Immutable MemTable（一个只读不写的MemTable），并创建新的MemTable接收写请求。
和《从Hash索引到LSM树（一）》中的segment file机制类似， 一个时刻只有current segment file接收写请求，其他的只读不写。
3、通过后台任务，定时将Immutable MemTable的数据刷到SSTable中，因为Immutable MemTable本身的有序性，所以就能保证SSTable中的数据是有序的，而且数据写入SSTable文件时完全是顺序写入，做到了有序性和写入性能的兼顾。
4、当读请求过来时，查找的顺序是MemTable->Immutable MemTable->SSTable，找到则返回，否则一步步执行下去。
Memtable同时兼顾有序和写性能
Memtable底层通常采用跳表来实现（LevelDB、HBase都采用了这一实现方法），相比较AVL和红黑树，跳表在插入数据的时候可以避免频繁的树节点调整操作，所以写入效率很高，而且实现起来也更简单些。
// LSM维护在内存中的有序数据结构，数据写入时先写MemTable
public class MemTable {
// 基于跳表实现的key-value结构
private final ConcurrentSkipListMap<String, String> cache;
// 当前存储数据的大小
private AtomicInteger size;
...
// 查找key
public String get(String key) {
if (!cache.containsKey(key)) {
return "";
}
return cache.get(key);
}
// 添加key:value，并更新当前Memtable的大小
public void add(String key, String value) {
cache.put(key, value);
size.addAndGet(key.length() + value.length());
}
// 返回当前Memtable的大小（字节为单位）
// 用于判断达到阈值之后，转成Immutable MemTable
public int size() {
return this.size.get();
}
// 达到阈值之后转储到SSTable
public void compact2Sst(SSTable sst) {
cache.forEach(sst::add);
}
...
}LsmKvDb
使用LSM树作为存储引擎的数据库，通常对SSTable进行分层管理，方便查询以及后续的Compact操作。本文也将采用对SSTable进行分层的架构实现LsmKvDb。
LsmKvDb存储架构
首先对Level进行抽象，每个Level都由多个SSTable组成：
// 对LSM的层的抽象，由SSTable组成
public class Level {
private final List<SSTable> ssts;
...
public void add(SSTable sst) {
ssts.add(sst);
}
// 在当前level总查找key对应的value, 从老到新遍历所有SSTable
public String find(String key) {
for (int i = ssts.size() - 1; i >= 0; i--) {
String value = ssts.get(i).get(key);
if (!value.equals("")) {
return value;
}
}
return "";
}
// sst与当前level进行compact操作
public void compactWith(SSTable sst) {...}
// 对给定sst集合与当前level进行compact操作
public void compactWith(List<SSTable> ssts) {...}
}LsmKvDb的实现代码如下，写数据时写入MemTable，当达到阈值后转Immutable MemTable。Immutable MemTable与MemTable具有相同的数据结构，唯一不同的是前者只读不写，后者既读也写。
/**
* 基于LSM树的key-value数据库, 采用分层架构
* MemTable -> Immutable MemTable -> Level0 -> Level1 -> Level2
*/
public class LsmKvDb implements KvDb {
...
// 存储SSTable的目录
private final String sstDir;
// 当前写入的MemTable
private MemTable memTable;
// MemTable到达阈值大小后转储到immutableMts
private final List<MemTable> immutableMts;
// 后台定时将immutableMts中的MemTable刷到Level0，各SSTable之间可能由Key重叠
private final Level level0;
// 后台定时将Level0中的SSTable与Level1中的进行合并
private final Level level1;
// 当Level1中的SSTable的数量到达一定阈值后，选择最老的SSTable与Level2中的进行合并
private final Level level2;
...
@Override
public String get(String key) {
// step1: 从MemTable中读取
String value = memTable.get(key);
if (!value.equals("")) {
return value;
}
// step2: 从Immutable MemTable中读取，从新到老
for (int i = immutableMts.size() - 1; i >= 0; i--) {
value = immutableMts.get(i).get(key);
if (!value.equals("")) {
return value;
}
}
// step3: 从Level0中读取
value = level0.find(key);
if (!value.equals("")) {
return value;
}
// step4: 从Level1中读取
...
// step5: 从Level2中读取
...
return "";
}
@Override
public void set(String key, String value) {
memTable.add(key, value);
// 当MemTable大小到达阈值后转成Immutable MemTable
if (memTable.size() > MEMTABLE_MAX_SIZE) {
synchronized (this) {
immutableMts.add(memTable);
memTable = MemTable.create();
}
}
}
...
}Compaction
在文章 《从Hash索引到LSM树（一）》已经对Compaction机制已经有了讲解， 其目的是清除掉已经被覆写或删除了的纪录，避免数据存储文件无休止的增长下去。对于LSM树而言，该机制同样适用，随着数据的不断添加、更新和删除，一些SSTable之间必然存在着重叠的key或被删除的key。通过Compaction，可以将多个SSTable合并成一个，从而节省了磁盘空间。
在上篇文章中，对segment file的compact操作主要依赖于Hash索引。因为是索引覆盖全部的key，所以可以很容易通过新的segment file的Hash索引来判断该key是否已经被处理过。但对于SSTable而言，并没有覆盖全部key的Hash索引，那么如何进行compact才高效呢？
得益于SSTable的有序性，我们可以应用归并排序算法来进行compact操作！
LSM树的Compaction通常有三种类型，分别是minor compact、major compact和full compact。
Minor Compact
minor compact指的是将Immutable MemTable中的数据直接转存到Level0中的SSTable。
minor compact
因为是直接将各个Immutable MemTable的数据转储成SSTable，并没有做合并的操作，因此在Level0中，各个SSTable之间的key可能存在重叠的现象。
Major Compact
major compact指的是将Level n中的SSTable合并到Level n+1中。
Level0 -> Level1的合并步骤如下：
1、选中Level0中的最老的SSTable sst0，然后在Level0中找到与sst0 的key存在重叠的所有SSTable sst0...n。
2、在Level1中，选取所有与 sst0...n存在key重叠的SSTable sst'0...m。
3、对sst0...n和sst'0...m采用多路归并排序算法进行合并，得到新的sst‘’0...k，并存储在Level1中。
4、删除sst0...n和sst'0...m。
major compact Level0 -> Level1
不同于Level0，Level1和Level2中各个SSTable之间并不存在key重叠的现象，因此Level1 -> Level2的合并会稍微简单些。
Level1 -> Level2的合并步骤如下：
1、选中Level1中的最老的SSTable sst0。
2、在Level2中，选取所有与 sst0存在key重叠的SSTable sst'0...m。
3、对sst0和sst'0...m采用多路归并排序算法进行合并，得到新的sst''0...k，并存储在Level2中。
4、删除sst0和sst'0...m。
major compact Level1 -> Level2
Full Compact
full compact指的是对Level0、Level1、Level2中所有的SSTable进行compact操作，同样也是采用多路归并排序算法。
full compact
通常full compact耗时较多，所以一般都会选择在流量较少的时刻进行。
优化LSM树
为SSTable引入block
到目前为止，对于在一个SSTable中查找一个key，我们首先会根据min key和max key判断该key是否属于该SSTable所属的范围，如果属于，则对SSTable采用二分查找法进行搜索。二分查找之所以在LsmKvDb中行得通，是因为这是一个简单的SSTable实现 —— 数据按string存储和\n分隔。在实际的运用中，为了尽可能地利用磁盘空间，SSTable中数据通常都是以字节码的形式存储，也不会以\n分隔每条record，这种情况下采用二分查找的实现就比较复杂了，而且效率也会太高。
一个常见的优化方法是，在SSTable中对record按照一定的size组织成多个block，并以block为单位进行压缩。为了能够快速找到某个key所属的block，需要在内存中维护每个block的起始key对应在SSTable中的offset（一个稀疏的Hash索引）。
按block存储的SSTable
在查找key的步骤如下：
1、根据索引定位到key所属的block。
2、将该block加载到内存中，并解压。
3、对内存中的数据采用二分查找。
在设计block的大小时，应该利用磁盘的空间局部性原理，使得系统能够只花费一次磁盘I/O就能将整个block加载到内存中。
为SSTable引入Bloom Filter
其实当目标key属于某个SSTable的key范围时，该key也不一定会存在于该SSTable中。但是到目前为止，只要目标key在某个SSTable的范围内，LsmKvDb都会进行查找操作。随着系统中的SSTable数目的增多，查询效率必然会随之下降。
一个常见的优化方法时，为SSTable引入布隆过滤器Bloom Filter。
Bloom Filter是保存在内存中的一种数据结构，可以用来告诉你 “某样东西一定不存在或者可能存在”。它由一个超长的二进制位数组和一系列的Hash函数组成。二进制位数组初始全部为0，当有元素加入集合时，这个元素会被一系列Hash函数计算映射出一系列的值，所有的值在位数组的偏移量处置为1。如果需要判断某个元素是否存在于集合当中，只需判断该元素被Hash后的值在数组中的值，如果存在为0的，则该元素一定不存在；如果全为1，则可能存在，这种情况可能有误判。
Bloom Filter
通过Bloom Filter，我们可以很快就能判断目标key是否不存在于SSTable中，从而提升了读性能。
Google的Guava库就提供了一个BloomFilter的实现，并且可以按需来设置误判率。
总结
本文承接上《从Hash索引到LSM树（一）》， 主要介绍了LSM树的基本原理，并且在原来append-only log的基础上实现了一个简单的基于LSM树的key-value数据库LsmKvDb。LSM树主要由MemTable、Immutable MemTable、SSTable组成，其中MemTable和Immutable MemTable在内存中维护，而SSTable则存储在磁盘中。SSTable的有序性使得LSM树在无需Hash索引的情况下具有不错的读取性能，而且支持区间查询；而Memable则使得LSM树具备很高的写入性能。
本系列文章，我们从一个最简单的key-value数据库起步，一步步通过Hash索引、LSM树、布隆过滤器等技术手段对其进行了优化，从中也深入分析了各个技术点的实现原理。但数据库的索引技术远不止这些，比如最常用到的B/B+树，也是非常值得深入学习的，以后有机会再对其进行深入分析～
来源：oschina
链接：https://my.oschina.net/u/4526289/blog/4929176