首页 > 代码库 > 对LevelDB的“升级版”存储引擎RocksDB的调研成果
对LevelDB的“升级版”存储引擎RocksDB的调研成果
Google的leveldb是个很优秀的存储引擎，但还是有一些不尽人意的地方，比如leveldb不支持多线程合并，对key范围查找的支持还很简单，未做优化措施，等等。而Facebook的RocksDB是个更彪悍的引擎，实际上是在LevelDB之上做的改进，在用法上与LevelDB非常的相似，两者的对比可以参考下面的参考资料1。
这里之所以要调研rocksdb是因为rocksdb中加入了prefix bloomfilter的实现，能够支持对范围查找的优化，对我目前的项目很有参考意义，下面是我调研和剖析rocksdb部分源码总结出的部分结果。
1. 对RocksDB中与Bloomfilter相关的调研结果
这一步主要参考rocksdb的官方博客和相关讨论，总结得到以下信息：
（1）rocksdb支持在key的sub-part上设置Bloomfilter，这使得范围查询成为可能。
（2）将key分为prefix和suffix，配置了一个prefix_extractor 来指定key-prefix，并用此存储每个key-prefix的blooms，然后用指定了prefix的iterator来使用这些bloom bits避免查询那些不包含所指定prefix的keys，从而实现了prefix过滤。
（3）Rocksdb实现了两个Bloomfilter，一个是在读block之前使用Bloomfilter过滤不包含key的blocks（与leveldb相同），另一个是在查询memtable时动态生成一个bloomfilter实现内存中的key过滤（在block read之前）。
上面这些信息源主要来自以下几个参考资料：
- Official Blog
- HackNews中关于rocksdb特性的讨论
- RocksDB Basics
2. rocksdb中Get接口实现优化（与leveldb对比）
下面简单总结下rocksdb中Get接口实现过程中的一些优化技术，总体实现流程与leveldb一致，都是memtable —>immemtable—>sstable的过程，但实现细节有所不同，主要有下面几点不同：
（1）memtable/ immemtable的Get实现（memtable.cc::Get）
Rocksdb在这个过程中加入了Bloomfilter机制，如下：
if (prefix_bloom_&&
!prefix_bloom_->MayContain(prefix_extractor_->Transform(user_key))){
// iter is null if prefix bloom says thekey does not exist
} else {
// 查询memtable
}
这个Bloomfilter是动态生成的（没有持久化）且是prefix bloom，根据prefix进行过滤。
（2）sstable中的Get实现：level —>file -> block逐层搜索
a. 在level 0层，在找files之前加了预读取功能（prefetch bloom filter data blockfor L0 files）
// Prefetch table data to avoidcache miss if possible
if (level == 0) {
for (int i = 0; i < num_files; ++i) {
auto* r =files_[0][i]->fd.table_reader;
if (r) {
r->Prepare(ikey);
}
}
}
采用的是prefix hashing技术（参考资料2）。
b．然后在各层找到可能的files(查找方式与leveldb同)，并对files进行key range filtering和fractional cascading技术优化level上的文件查找，但要满足两个条件：一是不只有一个L0层；二是L0层必须有3个文件以上，即如果L0层少于3个文件，就不做key range filtering，因为这种情况下系统每次查询的table数目已经很少了，所以这时候key range filtering很可能反而没有直接查询files高效。
key range filtering很简单，就是看key在不在file的[smallest_key,largest_key]之间，而fractional cascading技术简单说是利用上层key range filtering的比较信息作为下一层key range filtering的参考，以减少比较的次数，使得更快定位下一层的files，具体看参考资料3。定位到file后，就要进行block的查询了，rocksdb中（block_based_table_reader.cc）的block查找使用的Bloomfilter机制与leveldb一样。
除此之外，rocksdb还有很多与leveldb不一样的地方，比如rocksdb中memtable的数据结构除了skiplist实现外还有linked list的实现，sstable的实现除了block table之外还有plain table；RocksDB支持多线程合并，支持在单个进程中启用多个实例，除了基本的Put/Get/Delete接口外还增加了个Merger接口，等等……
3. rocksdb中prefix Bloomfilter的实现细节
研究rocksdb的源码后，以我自己理解的角度总结rocksdb实现prefixbloom的大致方法如下：
（1）首先rocksdb中持久化数据的存储格式有两种：BlockBasedTable格式和PlainTable格式，其中BlockBasedTable格式衍生自新版leveldb中的BlockTable格式，总体格式完全没变，如下所示：
<beginning_of_file>
[datablock 1]
[datablock 2]
...
[datablock N]
[metablock 1: filter block]
[metablock 2: stats block]
...
[metablock K: future extended block]
[metaindexblock]
[indexblock]
[Footer]
<end_of_file>
但是在实现上与leveldb有有所不同，比如红色标出的filter block部分，leveldb的filter block部分可以存储所有key的bloomfilter，而rocksdb的filter block部分不仅可以存储所有key的bloomfilter，还可以存储所有key的prefix的bloomfilter，通过两个参数whole_key_filtering_和prefix_extractor_来控制，其中whole_key_filtering_控制是否存储整个key的bloomfilter，而prefix_extractor_控制是否存储prefix的bloomfilter。如果想要存储prefixbloomfilter，就需要事先将prefix长度信息存入prefix_extractor_中，以便filterblock building过程中能根据长度信息抽取出key的prefix然后生成prefixbloomfilter，并有个PrefixMayMatch()函数用来过滤prefix（leveldb中只有KeyMayMatch()）。
注：除了filter block实现不同之外，下面的iindexblock实现也不同，rocksdb中加入了prefixindex block的实现，prefixindex block会为datablock中每个key的prefix部分保存一条索引记录，以方便通过prefix进行查找。
（2）在filter block building完成后就可以进行prefix scan了，如下：
autoiter = DB::NewIterator(ReadOptions());
for (iter.Seek(prefix); iter.Valid()&& iter.key().startswith(prefix); iter.Next()) {
//do something
}具体实现通过封装的iter内部的多个不同类型Iterator的Seek方法，其中使用到prefixbloomfilter的Iterator是sstable的TwoLevelIterator（即过滤的是磁盘IO），Two_level_iterator中的Seek方法在读磁盘IO之前先进行了一次prefixfilter，如下（two_level_iterator.cc:: Seek）：
if (state_->check_prefix_may_match &&
!state_->PrefixMayMatch(target)) {
SetSecondLevelIterator(nullptr);
return;
}这里PrefixMayMatch函数的具体实现分为以下几个步骤（block_based_table_reader.cc:: PrefixMayMatch）：
a. 首先根据prefix_extractor信息抽取出key的prefix部分
b. 然后构造prefix的Index Iterator以根据索引信息查找该prefix是否可能在这个file里（此时还没开始真正的block读，即此时没有磁盘IO操作）
c. 如果不可能在file里则返回false；如果有可能在，则进一步检查下当前Iterator所指向的完整key的prefix是否是要查找的prefix（因为index只能确定范围，不能精确确定prefix一定存在），若是则返回true，否则就获取filterblock里的bloomfilter，通过prefixbloomfilter的PrefixMayMatch进行过滤，如果过滤不了才开始真正的block磁盘查找。
上面的流程简单讲述了如何实现prefix scan，下面举个简单的例子（来自db_test.cc）：
使用下面的几组prefixranges 生成11个sst文件：
GROUP 0:[0,10] (level 1)
GROUP 1:[1,2], [2,3], [3,4], [4,5], [5, 6] (level 0)
GROUP 2:[0,6], [0,7], [0,8], [0,9], [0,10] (level 0)
这11个prefix ranges对应的key ranges分别为：
GROUP 0: [00______:start, 10______:end]
GROUP 1: [01______:start, 02______:end], [02______:start, 03______:end],
[03______:start, 04______:end], [04______:start, 05______:end],
[05______:start,06______:end]
GROUP 2: [00______:start, 06______:end], [00______:start,07______:end],
[00______:start,08______:end], [00______:start, 09______:end],
[00______:start,10______:end]
其中prefix长度为8，此时如果要通过prefix“03______:”查找 这11个sst文件，先前的API（比如leveldb中）需要11次随机IO才能找到，而用rocksdb中新的API及prefixfilter选项的启用，我们只需要2次随机IO即可，因为只有两个文件包含该prefix。
4. RocksDB中关于get_range接口
rocksdb中虽然实现了prefix Bloomfilter，但是并未提供get_range接口，官方文档中说支持Bloomfilter范围查询指的应该是rocksdb已经实现了prefix Bloomfilter，那么用户可以利用这个实现范围查找的过滤机制，但接口需要用户自己实现。RocksDB对原来LevelDB中sst文件预留下来的MetaBlock进行了具体利用，其中Prefixes信息存在metablock里（Block_based_table_builder.cc）。因此我们可以借鉴prefixBloomfilter的原理实现我们自己的范围Bloomfilter。
5. leveldb中范围Bloomfilter实现的初步思路
首先get_range对外的接口是这样：
int get_range(int area, const data_entry &pkey, const data_entry &start_key,
const data_entry &end_key, int offset, int limit, vector<data_entry*>
&values,short type=CMD_RANGE_ALL);
其中pkey就是prefix key，因此我们根据对pkey实现bloomfilter来实现范围bloomfilter的过滤。
基本实现思路如下：
（1）对data block里的每个key抽取出合适的prefix
（2）对prefix key实现bloomfilter（与key实现一样），并添加到filter block里，这里可以与整个key的bloomfilter放在一起，也可以分开放，通过index block控制索引
（3）在get_range实现过程中，首先获取prefix bloomfilter，然后对pkey进行prefixfilter，过滤掉prefix不匹配的file或block，这样就实现了范围bloomfilter。
6. 参考资料
1. RocksDB介绍：一个比LevelDB更彪悍的引擎
2.Prefix hashing in RocksDB -Speeding up queries for special workloads
3.使用fractional cascading优化level上的文件查找
4.TheStory of RocksDB