StarRocks 自增ID实现分页优化

StarRocks 自增ID实现分页优化

场景介绍

目前StarRocks在不支持自增ID的情况下，对于明细模型的分页查询场景，由于要保证每一次分页查询出来的数据的唯一性，需要我们人为去指定order by的列，无法利用到StarRocks自身的排序键等特性，造成分页查询场景下，性能并不是很好。

有没有一种替代方案能够在外部实现一种自增id，保证每个批次提交的数据都比之前批次的数据的ID大，同时，该ID具有唯一性。并且是一个友好的数据类型（数值型），用来做明细模型的第一列，利用StarRocks的排序键来为分页场景加速。

当然是有的。

实现方案

该方案其实就是利用各种etl工具，例如spark connector，flink connector，datax等等，在数据进入StarRocks之前，做一个新增衍生列的操作，新增一个全局自增的ID，放在第一列，写入到StarRocks中去，当成排序键，用来加速。

测试用例

spark connector

中秋节的时候，社区流木大佬，发布了spark connector，对应链接为：spark connector 支持了读写StarRocks的数据，借此机会，我们使用该connector来实现一个我们的案例，具体对比测试一下，分页查询的场景性能提升。

测试环境

测试环境为本地部署的虚拟集群。具体配置如下：

角色	数量	使用版本	CPU	内存	磁盘
fe	3	2.3.0	4C	6G	40G
be	3	2.3.0	4C	6G	40G

三台机器为fe be混布。

数据准备

数据为本地造的数据，数据格式为JSON数据，数据结构如下所示：

{"dept":"8","date2":"2020-06-06 00:00:41","id":"8","date1":"2020-08-01 19:19:03","emp_id":"30999482"}

• 数据解释：

  emp_id：是一个 0 到 100000000的随机整数

  date1: 是一个 2020-01-01 到 2021-03-11的随机日期

  date2: 是一个 2020-01-01 到 2021-03-11的随机日期

  id: 是 一个 -1 到 10的随机整数

  dept： 是 一个 -1 到 10的随机整数

• 建表语句

  CREATE TABLE `no_snow` (
    `emp_id` int(11) NOT NULL DEFAULT "-1" COMMENT "",
    `dept` varchar(65533) NOT NULL COMMENT "",
    `id` int(11) NOT NULL COMMENT "",
      `date1` datetime comment "date1",
      `date2` datetime comment "date2"
  ) ENGINE=OLAP 
  DUPLICATE  KEY(`emp_id`,`dept`,`id`)
  COMMENT "OLAP"
  DISTRIBUTED BY HASH(`emp_id`) BUCKETS 8 
  PROPERTIES (
  "replication_num" = "2",
  "in_memory" = "false",
  "storage_format" = "DEFAULT",
  "enable_persistent_index" = "false"
  );
  

  转换后的表结构为：

  CREATE TABLE `snow` (
      `snow_id` bigint not null comment '',
    `emp_id` int(11) NOT NULL DEFAULT "-1" COMMENT "",
    `dept` varchar(65533) NOT NULL COMMENT "",
    `id` int(11) NOT NULL COMMENT "",
      `date1` datetime comment "date1",
      `date2` datetime comment "date2"
  ) ENGINE=OLAP 
  DUPLICATE KEY(`snow_id`,`emp_id`,`dept`,`id`)
  COMMENT "OLAP"
  DISTRIBUTED BY HASH(`snow_id`,`emp_id`,`dept`,`id`) BUCKETS 8 
  PROPERTIES (
  "replication_num" = "2",
  "in_memory" = "false",
  "storage_format" = "DEFAULT",
  "enable_persistent_index" = "false"
  );
  

编写代码

• 数据导入

  这里我们准备了一个共计20000000条数据的结果集，数据大小为：2.37G

  这里我们将这一个文件拆分为 7个行数为4000000行的小文件，进行导入

  导入命令如下：

  curl --location-trusted -u root: -H "label:testcdc005" -H "format: json"  -H "jsonpaths:[\"$.emp_id\",\"$.dept\",\"$.id\",\"$.date1\",\"$.date2\"]" -H "ignore_json_size:true" -T ./data.json.04 http://192.168.110.170:8036/api/test/testcdc/_stream_load
  

  {
      "TxnId": 8016,
      "Label": "testcdc005",
      "Status": "Success",
      "Message": "OK",
      "NumberTotalRows": 4000000,
      "NumberLoadedRows": 4000000,
      "NumberFilteredRows": 0,
      "NumberUnselectedRows": 0,
      "LoadBytes": 408356148,
      "LoadTimeMs": 9708,
      "BeginTxnTimeMs": 1,
      "StreamLoadPutTimeMs": 6,
      "ReadDataTimeMs": 311,
      "WriteDataTimeMs": 9638,
      "CommitAndPublishTimeMs": 61
  }
  

• spark 代码

  spark connector 的依赖加载参考 spark connector这篇文章

  • maven 配置

    <properties>
            <maven.compiler.source>8maven.compiler.source>
            <maven.compiler.target>8maven.compiler.target>
            <project.build.sourceEncoding>UTF-8project.build.sourceEncoding>
            <spark.version>2.4.8spark.version>
            <scala.version>2.11scala.version>
            <hadoop.version>2.6.0hadoop.version>
        properties>
        <dependencies>
            <dependency>
                <groupId>org.apache.sparkgroupId>
                <artifactId>spark-core_${scala.version}artifactId>
                <version>${spark.version}version>
            dependency>
    
            <dependency>
                <groupId>org.apache.sparkgroupId>
                <artifactId>spark-sql_${scala.version}artifactId>
                <version>${spark.version}version>
            dependency>
            <dependency>
                <groupId>com.starrocksgroupId>
                <artifactId>starrocks-spark2_2.11artifactId>
                <version>1.0.1version>
            dependency>
            <dependency>
                <groupId>org.apache.sparkgroupId>
                <artifactId>spark-streaming_${scala.version}artifactId>
                <version>${spark.version}version>
            dependency>
            <dependency>
                <groupId>org.apache.hadoopgroupId>
                <artifactId>hadoop-clientartifactId>
                <version>2.7.7version>
            dependency>
            <dependency>
                <groupId>com.alibabagroupId>
                <artifactId>fastjsonartifactId>
                <version>2.0.11version>
            dependency>
            <dependency>
                <groupId>mysqlgroupId>
                <artifactId>mysql-connector-javaartifactId>
                <version>5.1.27version>
            dependency>
        dependencies>
    

  • spark 代码

    import org.apache.spark.sql.{Dataset, SparkSession}
    
    
    object SrTest {
      def main(args: Array[String]): Unit = {
        val spark = SparkSession.builder()
          .appName("sparksql")
          .master("local")
          .getOrCreate()
    
    // read data from sr
        val srReader = spark.read.format("starrocks")
          .option("starrocks.fenodes", "192.168.110.170:8036")
          .option("starrocks.benodes", "192.168.110.170:8046")
          .option("user", "root")
          .option("password", "")
          .option("starrocks.table.identifier", "test.testcdc")
          .load()
        // srReader.show(5)
        val flow = new SnowFlow(1, 1, 1)
        import spark.implicits._
        srReader.show(10)
    //etl
        val resDS: Dataset[(Long, Int, String, Int, String, String)] = srReader.map(x => {
          val emp_id: Int = x.getAs[Int]("emp_id")
          val id: Int = x.getAs[Int]("id")
          val date1: String = x.getAs[String]("date1")
          val date2: String = x.getAs[String]("date2")
          val dept = x.getAs[String]("dept")
          val snowId = flow.nextId()
          (snowId, emp_id, dept, id, date1, date2)
        })
    
        resDS.show(5)
          //write data to sr
        resDS.coalesce(5).toDF("snow_id", "emp_id", "dept", "id", "date1", "date2").write.format("starrocks")
          .option("starrocks.fenodes", "192.168.110.170:8036")
          .option("starrocks.benodes", "192.168.110.170:8046")
          .option("user", "root")
          .option("password", "")
          .option("starrocks.table.identifier", "test.testsnow").save()
      }
    }
    
    

    这里的代码主要是读取sr数据，然后增加了一个衍生列，写回到sr。

  • 雪花算法代码

    import java.io.Serializable;
    public class SnowFlow implements Serializable {
        //因为二进制里第一个 bit 为如果是 1，那么都是负数，但是我们生成的 id 都是正数，所以第一个 bit 统一都是 0。
    
        //机器ID  2进制5位  32位减掉1位 31个
        private long workerId;
        //机房ID 2进制5位  32位减掉1位 31个
        private long datacenterId;
        //代表一毫秒内生成的多个id的最新序号  12位 4096 -1 = 4095 个
        private long sequence;
        //设置一个时间初始值    2^41 - 1   差不多可以用69年
        private long twepoch = 1585644268888L;
        //5位的机器id
        private long workerIdBits = 5L;
        //5位的机房id；。‘
        private long datacenterIdBits = 5L;
        //每毫秒内产生的id数 2 的 12次方
        private long sequenceBits = 2L;
        // 这个是二进制运算，就是5 bit最多只能有31个数字，也就是说机器id最多只能是32以内
        private long maxWorkerId = -1L ^ (-1L << workerIdBits);
        // 这个是一个意思，就是5 bit最多只能有31个数字，机房id最多只能是32以内
        private long maxDatacenterId = -1L ^ (-1L << datacenterIdBits);
    
        private long workerIdShift = sequenceBits;
        private long datacenterIdShift = sequenceBits + workerIdBits;
        private long timestampLeftShift = sequenceBits + workerIdBits + datacenterIdBits;
    
        // -1L 二进制就是1111 1111  为什么？
        // -1 左移12位就是 1111  1111 0000 0000 0000 0000
        // 异或  相同为0 ，不同为1
        // 1111  1111  0000  0000  0000  0000
        // ^
        // 1111  1111  1111  1111  1111  1111
        // 0000 0000 1111 1111 1111 1111 换算成10进制就是4095
        private long sequenceMask = -1L ^ (-1L << sequenceBits);
        //记录产生时间毫秒数，判断是否是同1毫秒
        private long lastTimestamp = -1L;
    
        public long getWorkerId() {
            return workerId;
        }
    
        public long getDatacenterId() {
            return datacenterId;
        }
    
        public long getTimestamp() {
            return System.currentTimeMillis();
        }
    
        public SnowFlow() {
        }
    
        public SnowFlow(long workerId, long datacenterId, long sequence) {
    
            // 检查机房id和机器id是否超过31 不能小于0
            if (workerId > maxWorkerId || workerId < 0) {
                throw new IllegalArgumentException(
                        String.format("worker Id can't be greater than %d or less than 0", maxWorkerId));
            }
    
            if (datacenterId > maxDatacenterId || datacenterId < 0) {
    
                throw new IllegalArgumentException(
                        String.format("datacenter Id can't be greater than %d or less than 0", maxDatacenterId));
            }
            this.workerId = workerId;
            this.datacenterId = datacenterId;
            this.sequence = sequence;
        }
    
        // 这个是核心方法，通过调用nextId()方法，
        // 让当前这台机器上的snowflake算法程序生成一个全局唯一的id
        public synchronized long nextId() {
            // 这儿就是获取当前时间戳，单位是毫秒
            long timestamp = timeGen();
            // 判断是否小于上次时间戳，如果小于的话，就抛出异常
            if (timestamp < lastTimestamp) {
    
                System.err.printf("clock is moving backwards. Rejecting requests until %d.", lastTimestamp);
                throw new RuntimeException(
                        String.format("Clock moved backwards. Refusing to generate id for %d milliseconds",
                                lastTimestamp - timestamp));
            }
    
            // 下面是说假设在同一个毫秒内，又发送了一个请求生成一个id
            // 这个时候就得把seqence序号给递增1，最多就是4096
            if (timestamp == lastTimestamp) {
    
                // 这个意思是说一个毫秒内最多只能有4096个数字，无论你传递多少进来，
                //这个位运算保证始终就是在4096这个范围内，避免你自己传递个sequence超过了4096这个范围
                sequence = (sequence + 1) & sequenceMask;
                //当某一毫秒的时间，产生的id数 超过4095，系统会进入等待，直到下一毫秒，系统继续产生ID
                if (sequence == 0) {
                    timestamp = tilNextMillis(lastTimestamp);
                }
    
            } else {
                sequence = 0;
            }
            // 这儿记录一下最近一次生成id的时间戳，单位是毫秒
            lastTimestamp = timestamp;
            // 这儿就是最核心的二进制位运算操作，生成一个64bit的id
            // 先将当前时间戳左移，放到41 bit那儿；将机房id左移放到5 bit那儿；将机器id左移放到5 bit那儿；将序号放最后12 bit
            // 最后拼接起来成一个64 bit的二进制数字，转换成10进制就是个long型
            return ((timestamp - twepoch) << timestampLeftShift) |
                    (datacenterId << datacenterIdShift) |
                    (workerId << workerIdShift) | sequence;
        }
    
        /**
         * 当某一毫秒的时间，产生的id数 超过4095，系统会进入等待，直到下一毫秒，系统继续产生ID
         *
         * @param lastTimestamp
         * @return
         */
        private long tilNextMillis(long lastTimestamp) {
    
            long timestamp = timeGen();
    
            while (timestamp <= lastTimestamp) {
                timestamp = timeGen();
            }
            return timestamp;
        }
    
        //获取当前时间戳
        private long timeGen() {
            return System.currentTimeMillis();
        }
    }