高阶面试-mongodb
mongodb的特点,为什么使用他
nosql数据库,前端到后端到数据库,都是json,开发者友好。没有太多约束,可以快速实现需求迭代。
天生分布式,高可用,处理海量高并发的数据应用。
无模式,数据模型发生变更,不需要强制更新表结构
除了CRUD,还有aggregation,可以做分析报表;有gridfs做分布式文件存储
各种致敬,索引、慢查询、explain等,无缝迁移
地理空间索引,适合移动端业务
工具多,mtools搭建集群、mongostat、mongotop等
分布式高可用
涉及到 选举、复制、故障转移、数据均衡、复制延迟等
选举
需要强一致性,一般都是采用raft算法的实现,比如redis的选举、zk的选举等
流程:
各种原因触发选举startElectSelfIfEligible --> 预选举dryRun --> 选举realElection --> 投自己票voteForMyself --> 处理投票结果onVoteRequestComplete --> 处理选举获胜的结果processWinElection --> 状态变更restartHeartbeats_inlock --> 进入追赶模式catchupState --> 判断是否追上abort_inlock --> 收尾模式drainComplete
根据什么确认可以当leader?
心跳(其他节点可能率先完成选主)、任期(term)、opLog时间戳
为啥多了个预选举,防止 网络异常导致的 分区下自己投自己选了很多次term增加很多,然后网络恢复还要多一次选举的情况。
其他优化:
- 多了个chainingAllowed 链式复制,节点同步数据可以选距离自己最近的节点复制数据,怎么判断最近,心跳延时最小
- 支持投票优先级,氪金玩家体验更好
- 选举策略,可以PSS PSA,也就是arbiter等
- 脑裂的避免,primary 在选举超时时间内没收到大多数节点的应答会自动退位成secondary
复制
采用opLog同步数据,这里的oplog是一个特殊的固定集合,当主节点上的一个写操作完成后,会向oplog集合写入一条对应的日志,而备节点则通过这个oplog不断拉取到新的日志,在本地进行回放以达到数据同步的目的。由于日志会不断增加,因此oplog被设计为固定大小的集合,它本身就是一个特殊的固定集合(capped collection),当oplog的容量达到上限时,旧的日志会被滚动删除
怎么实现的?
一个环状的队列,新文档在写入时会被插入队列的末尾,如果队列已满,那么之前的文档就会被新写入的文档所覆盖
类似disraptor
备节点便可以通过轮询的方式进行拉取,这里会用到可持续追踪的游标(tailable cursor)技术
其实类似kafka的LEO同步
每个备节点都分别维护了自己的一个offset,也就是从主节点拉取的最后一条日志的optime,在执行同步时就通过这个optime向主节点的oplog集合发起查询。
每一条oplog记录都描述了一次数据的原子性变更,对于oplog来说,必须保证是幂等性的
如何实现
执行$inc操作,每次都会产生新的结果。这些非幂等的更新命令在oplog中通常会被转换为$set操作
可能问题?
如果备节点的复制不够快,就无法跟上主节点的步伐,从而产生复制延迟(replication lag)问题。
如何解决的
调整 writeConcern 和 readConcern 设置。适当降低 writeConcern 的级别可以减少写入时的延迟,但要权衡数据安全性。启用压缩,如启用 snappy 或 zlib 压缩来减少网络传输的数据量。优化 oplog 大小,确保其足够大以容纳高峰期的写操作。
在开始时,备节点仍然需要向主节点获得一份全量的数据用于建立基本快照,这个过程就称为初始化同步(initial sync)
如何实现
● 备节点记录当前的同步optime=t1(来自主节点的同步时间戳),进入STARTUP2状态。
● 从主节点上复制所有非local数据库的集合数据,同时创建这些集合上的索引。
在这个过程中,备节点会开启另外一个线程,将集合复制过程中的增量oplog(t1之后产生)也复制到本地。
● 将拉取到t1之后的增量oplog进行回放,在完成之前,节点一直处于RECOVERING状态,此时是不可读的。
● oplog回放结束后,恢复SECONDARY状态,进入正常的增量同步流程。
故障转移
自动选举,然后同步
对于业务方,副本集发生主备切换的情况下,会出现短暂的无主节点,无法接受业务写操作,
数据均衡
创建索引失败MongoError: too many namespaces/collections
涉及到存储引擎
mongodb我们用的3.0,存储引擎使用的MMAPv1,采用内存映射文件管理数据,缺点是锁粒度是集合级别,并发性能受影响;缺少数据压缩,磁盘利用率低
2015年3.2版本开始wiredTiger称为默认存储引擎
storage.mmapv1.nsSize ,
mongodb mmapv1 存储引擎的 namespace size 有大小限制,默认 16M,大概 24,000 表和索引在一个 db 里
线上的 库的一个 db有 5000 左右个 collection,每个表了 里差不多有 1~10 个索引
namespace啥意思?就是mongo的collection
mongodb的OOM
背景
线上平台出现mongodb的oom,高可用架构重新选举之后选举完又OOM,mong重启达到分钟级别,多个节点被OOM后,不能很快拉起服务,对业务产生很大影响。
分析
表面看,有几个问题,1是128个G的内存,还会OOM,肯定有优化空间;2是为啥启动这么慢
通过表分析,有很多大表,其中一个巨大的表占用了110G,且有频繁的读写,原因是有很多冷数据,未做冷热分离
优化
- 删除部分历史遗留数据,如有些bak表
- mongodb的优化,mongodb3.2以后采用wiredTiger引擎,虽然不是内存数据库,但是为了提高读写效率,会最大化利用内存。修改evict的配置 db.adminCommand({setParameter: 1, wiredTigerEngineRuntimeConfig: "eviction=(threads_min=1,threads_max=8)"}) 原先最小线程是4,改为1,减少不必要的线程开销,减少IO抖动
深挖
mongo的内存使用
理想情况,mongodb可以提供近似内存的读写性能,wiredTiger有两级缓存,第一层是操作系统的页面缓存,第二层则是引擎提供的内部缓存
![[Pasted image 20240713071010.png]]
数据读取的流程:
- 数据库发起buffer IO读操作,由操作系统将磁盘数据页加载到文件系统的页缓存区。
- 引擎层读取页缓存区的数据,进行解压后存放到内部缓存区。
- 在内存中完成匹配查询,将结果返回给应用
如果数据已经被存储在内部缓存中,MongoDB则可以发挥最佳的读性能。稍差的情况是内部缓存中找不到,但数据仍然被存储在操作系统的页缓存中,此时需要花费一些数据解压缩的开销。为了尽可能保证业务查询的“热数据”能快速被访问,其内部缓存的默认大小达到了内存的一半,对应参数wiredTigerCacheSize指定的。
数据写入的流程:
先在内存中记录这些变更,之后通过CheckPoint机制将变化的数据写入磁盘
带来问题:可靠性
解决方案:
checkpoint检查点机制,类似RDB,建立checkpoint的时候,会在内存建立所有数据的一致性快照,是通过MVCC保证,然后持久化快照,默认1min一次,成功后内存中的修改才会真正保存。
journal日志 WAL机制,预写,顺序写,会将每个写操作的redo日志写入journal缓冲区,频繁地将日志持久化到磁盘上。一般100ms一次。如果journal日志达到100MB,或者应用程序指定journal为true,也会触发。
本质:存量(快照)+增量(journal)
实际写入的完整流程
- 应用写数据CUD
- mongo从内部缓存获取当前记录的page,如果不存在从磁盘加载 buffer IO
- wiredTiger开始执行写事务,修改的数据写入page的一个更新记录表,原来的记录保持不变
- 如果开启journal日志,写入的同时会写journal日志也就是redo log,不超过100ms将日志写磁盘
- mongo每60s执行一次checkpoint,将内存的修改真正刷盘
然后就是脏页 dirty page
需要说到缓存页的管理
page管理也是B+树,当叶子节点产生数据写入,更新记录会写入节点的一块独立区域,此时该节点被标记为脏页。其中insert和update是单独的跳表,分别存插入和修改操作,如果存在修改,读取的时候会从跳表做合并查找。
checkpoint的时候,block manager发起reconncilication过程,将内存页转换为磁盘页的格式,checkpoint线程会遍历内存中全部页并找到所有脏页进行持久化,一般用copy-onwrite保证读写分离。
对于脏页不是就地更新,而是产生新节点,每次都产生一个新的根节点,持久化完成,再淘汰不用的节点。
reconciliation的触发
- checkpoint
- 缓存的page超过最大值(存在大量修改),产生分裂,触发evict
- 缓存的脏数据比例达到阈值,触发缓存淘汰evict
缓存淘汰
wiredTiger基于LRU实现缓存的淘汰,通常由后台evict线程负责,如果内存很紧张,用户线程也会加入,读写卡顿。
淘汰策略:
![[Pasted image 20240713074054.png]]
从官网上看的
数据压缩,
- 集合采用块压缩,默认采用谷歌开源的snappy
- 索引用前缀压缩 prefix compression
- journal日志也是snappy压缩
压缩算法可以调整,storage.wiredTiger.collectionConfig.blockCompressor mongodb4.2开始支持Zstd,facebook开源的较低的CPU消耗实现更高压缩比
用内存做什么
- mongo的数据读写
- mongo连接线程
- 管理操作如创建索引、数据备份
内部缓存增大后,内存中允许驻留的脏数据也会更多,导致磁盘IO抖动问题更加明显
mongodb cursor not found
背景
使用云厂商提供的mongodb分片集群,client–>slb–>mongos,数据量大的时候报错:[AllExceptionsFilter] CaughtException: MongoError: Cursor not found (namespace: 'v7common.users', id: 3392892230983559305).
分析
游标失效了,通过slb请求mongos,策略的原因,每次查的mongos不一样,游标在一个mongos打开,后续请求路由到另一个mongos了,导致游标丢失。
优化
SLB采用会话保持,让每个客户端的会话被路由到自己对应的mongos实例
mongo的cursor
从应用层面看,游标类似一个指针,看mongodriver,是个迭代器,对于find结果进行遍历,其实是通过MongoCursor对象操作。真实的实现,做了优化,每次获取一批数据放到内存。具体细节:
- 第一次提交查询,才会携带查询条件、排序分页等参数,如果一次查询不完,通过getMore操作用cursorId进行分批拉取
- 调用next方法,其实是获取缓存的一条数据,当缓存遍历完毕自动获取下一批
- 每次拉取的条数由batchSize参数决定
- 如果没有batchSize,默认首次find返回最多101条数据,后续getMore没有限制的化,默认返回不超过16MB的数据
游标有个超时时间,默认10min,那不应该cursor not found的啊
需要了解mongos的原理
mongos查询路由,是分片集群的访问入口,从config server获取元数据并加载,然后提供访问服务将用户请求路由到对应分片。
从不同的slb过来的被认为不同的连接,导致游标失败
连接池偶发断开
背景
华为云ELB,mongo连接池偶发断开
![[Pasted image 20240713102322.png]]
一段时间后(大概一分钟)还能自动恢复
![[Pasted image 20240713102337.png]]
2021-11-16 12:46:11.938 nacos [http-nio-8089-exec-4] WARN org.mongodb.driver.connection - Got socket exception on connection [connectionId{localValue:95, serverValue:9552231}] to 172.16.3.182:7211. All connections to 172.16.3.182:7211 will be closed. 2021-11-16 12:46:11.939 nacos [http-nio-8089-exec-4] INFO org.mongodb.driver.connection - Closed connection [connectionId{localValue:95, serverValue:9552231}] to 172.16.3.182:7211 because there was a socket exception raised by this connection. 2021-11-16 12:46:11.939 nacos [http-nio-8089-exec-4] INFO org.mongodb.driver.cluster - No server chosen by ReadPreferenceServerSelector{readPreference=primary} from cluster description ClusterDescription{type=SHARDED, connectionMode=MULTIPLE, serverDescriptions=[ServerDescription{address=172.16.3.182:7211, type=UNKNOWN, state=CONNECTING}]}. Waiting for 30000 ms before timing out 2021-11-16 12:46:11.940 nacos [http-nio-8089-exec-4] INFO org.mongodb.driver.connection - Closed connection [connectionId{localValue:94, serverValue:9552230}] to 172.16.3.182:7211 because there was a socket exception raised on another connection from this pool.
![[Pasted image 20240713102409.png]]
mongo日志也有报错
![[Pasted image 20240713102424.png]]
分析
ELB导致的mongos的问题,云不是真正的高可靠,打破大厂迷信。
mongo的常用工具
mongostat
/opt/mongodb3.2.13/bin/mongostat -h 10.152.206.81 --port 7210 -u xxx -p 'xxx' --authenticationDatabase=admin --discover
![[Pasted image 20240713070357.png]]
一般用来查看QPS、内存占用、连接数等,里面vsize是虚拟内存 res是物理内存使用量
另外就是
- CRUD的速率是否有波动,超出预期
- connect 连接数是否太多
- dirty 百分比是否较高,如果持续高于10%说明磁盘IO存在瓶颈
- repl 状态是否异常,如果 RTR正常,如果REC等异常值需要修复
mongotop
``
用来查看热点表,
- 是否存在非预期的热点表,其实就是看是否有慢查询
- 热点表的操作耗时是否过高,业务高峰一般比较高一点
可以设置 -n 100 2 就是间隔2s,总共输出100次
迁移
采用 mongoshake
mongodb相关优化
mongo查询数据以后,应该使用project只返回需要使用的字段,否则在数据量、字段比较多的时候,查询效率会显著下降
索引:覆盖索引