我刚开始尝试使用Cassandra,我正在使用C#和DataStax driver(v 3.0.8) . 我想做一些性能测试,看看Cassandra处理时间序列数据的速度有多快 .
结果很糟糕,因为它需要永恒才能做到 SELECT
. 所以我想我做错了什么 .
我在本地计算机上安装了Cassandra,并创建了一个表:
CREATE KEYSPACE dm WITH replication = {'class': 'SimpleStrategy', 'replication_factor': '1'} AND durable_writes = true;
CREATE TABLE dm.daily_data_by_day (
symbol text,
value_type int,
as_of_day date,
revision_timestamp_utc timestamp,
value decimal,
PRIMARY KEY ((symbol, value_type), as_of_day, revision_timestamp_utc)
) WITH CLUSTERING ORDER BY (as_of_day ASC, revision_timestamp_utc ASC)
AND bloom_filter_fp_chance = 0.01
AND caching = {'keys': 'ALL', 'rows_per_partition': 'NONE'}
AND comment = ''
AND compaction = {'class': 'org.apache.cassandra.db.compaction.SizeTieredCompactionStrategy', 'max_threshold': '32', 'min_threshold': '4'}
AND compression = {'chunk_length_in_kb': '64', 'class': 'org.apache.cassandra.io.compress.LZ4Compressor'}
AND crc_check_chance = 1.0
AND dclocal_read_repair_chance = 0.1
AND default_time_to_live = 0
AND gc_grace_seconds = 864000
AND max_index_interval = 2048
AND memtable_flush_period_in_ms = 0
AND min_index_interval = 128
AND read_repair_chance = 0.0
AND speculative_retry = '99PERCENTILE';
我在这个表中填充了大约1500万行,分为大约10000个分区,每个分区最多包含10000行 .
这里's the test I' m正在运行(更新on request by phact):
[Test]
public void SelectPerformance()
{
_cluster = Cluster.Builder().AddContactPoint("127.0.0.1").Build();
_stopwatch = new Stopwatch();
var items = new[]
{
// 20 different items...
};
foreach (var item in items)
{
var watch = Stopwatch.StartNew();
var rows = ExecuteQuery(item.Symbol, item.FieldType, item.StartDate, item.EndDate);
watch.Stop();
Console.WriteLine($"{watch.ElapsedMilliseconds}\t{rows.Length}");
}
Console.WriteLine($"Average Execute: {_stopwatch.ElapsedMilliseconds/items.Length}");
_cluster.Dispose();
}
private Row[] ExecuteQuery(string symbol, int fieldType, LocalDate startDate, LocalDate endDate)
{
using (var session = _cluster.Connect("dm"))
{
var ps = session.Prepare(
@"SELECT
symbol,
value_type,
as_of_day,
revision_timestamp_utc,
value
FROM
daily_data_by_day
WHERE
symbol = ? AND
value_type = ? AND
as_of_day >= ? AND as_of_day < ?");
var statement = ps.Bind(symbol, fieldType, startDate, endDate);
statement.EnableTracing();
_stopwatch.Start();
var rowSet = session.Execute(statement);
_stopwatch.Stop();
return rowSet.ToArray();
}
}
秒表告诉我 session.Execute()
需要20-30毫秒才能执行(更新:在更改代码后只创建集群一次,我只需要大约15毫秒) . 所以我启用了一些跟踪并获得了以下结果:
activity | source_elapsed
--------------------------------------------------------------------------------------------
Parsing SELECT symbol, value_type, as_of_day, revision_timestamp_utc,...; | 47
Preparing statement | 98
Executing single-partition query on daily_data_by_day | 922
Acquiring sstable references | 939
Skipped 0/5 non-slice-intersecting sstables, included 0 due to tombstones | 978
Bloom filter allows skipping sstable 74 | 1003
Bloom filter allows skipping sstable 75 | 1015
Bloom filter allows skipping sstable 72 | 1024
Bloom filter allows skipping sstable 73 | 1032
Key cache hit for sstable 63 | 1043
Merged data from memtables and 5 sstables | 1329
Read 100 live and 0 tombstone cells | 1353
如果我正确理解了这个跟踪,Cassandra执行查询的时间不到1.4毫秒 . 那么DataStax驱动程序在剩下的时间里做什么呢?
(作为参考,我对本地SQL Server实例进行了相同的性能测试,导致从C#执行相同查询大约1-2毫秒 . )
Update:
我试图进行一些分析,这对你不拥有的异步代码来说并不容易 .
我的结论是,大部分时间都花在解析响应上 . 每个响应包含2000到3000行,每次响应解析大约需要9 ms . 反序列化占用大部分时间,大约6.5毫秒,十进制是最差的,每个字段大约3毫秒 . 其他字段(text,int,date和timestamp)每个字段大约需要0.5 ms .
看看我测量的时间,我应该怀疑这一点:响应中的行越多,所需的时间就越长,几乎是线性的 .
3 回答
@ xmas79突出了一个伟大的观点 . 您不应该创建太多的会话实例(最好每个键空间使用1个),但是还有另一个指南可以帮助您 . 请遵循以下指南并参考:
每个(物理)集群使用一个集群实例(每个应用程序生命周期)
每个键空间最多使用一个会话,或使用单个会话并在查询中明确指定键空间
如果多次执行语句,请考虑使用PreparedStatement
您可以通过使用批次减少网络往返次数并进行原子操作
http://www.datastax.com/dev/blog/4-simple-rules-when-using-the-datastax-drivers-for-cassandra
EDIT
另外,再看看你的代码,你正在为你正在执行的每个查询创建一个准备好的语句 . 准备好的语句只应创建一次,您应该使用它的引用来执行查询 . 准备好的语句所做的是将经常执行的CQL发送到服务器,以便服务器已经解析该字符串并向用户返回该标识 . 因此,如果您不打算为每个查询共享PreparedStatment对象,我建议您不要使用它 . 或者将代码更改为以下内容:
简短的回答您希望将群集对象保持为Cassandra打开并在请求中重复使用它 .
集群对象本身的创建成本很高,但却带来了自动负载 balancer ,令牌感知,自动故障转移等优势 .
你为什么要执行
在每个查询?您应该构建一次
Cluster
实例,连接到群集并获取Session
一次,并在任何地方重用它们 . 我认为Cluster
对象配置重要参数,如故障转移,负载均衡等.Session
对象为您管理它们 . 每次连接都会给您带来性能损失 .EDIT
您似乎正在执行
SELECT
,每个延迟为10ms-15ms . 您是否在每个查询中获得相同的跟踪数(例如1.4ms)?你的存储IO系统是什么?如果您在旋转磁盘上,则可能是磁盘子系统的寻道时间损失 .