如何處理大數(shù)據(jù)量的查詢
在實際的任何一個系統(tǒng)中，查詢都是必不可少的一個功能，而查詢設(shè)計的好壞又影響到系統(tǒng)的響應(yīng)時間和性能這兩個關(guān)鍵指標，尤其是當數(shù)據(jù)量變得越來越大時，于是數(shù)據(jù)分析師如何處理大數(shù)據(jù)量的查詢成了每個系統(tǒng)架構(gòu)設(shè)計時都必須面對的問題。本文將從數(shù)據(jù)及數(shù)據(jù)查詢的特點分析出發(fā)，結(jié)合討論現(xiàn)有各種解決方案的優(yōu)缺點及其適用范圍，來闡述J2EE平臺下如何進行查詢框架的設(shè)計。
Value List Handler模式及其局限性
在J2EE應(yīng)用中，對于大數(shù)據(jù)量查詢的處理有許多好的成功經(jīng)驗，比如Value List Handler設(shè)計模式就是其中非常經(jīng)典的一個，見圖1。該模式創(chuàng)建一個ValueListHandler對象來控制查詢的執(zhí)行以及結(jié)果集的緩存，它通過DAO(Data Access Object)來執(zhí)行查詢，并將數(shù)據(jù)庫返回的結(jié)果集（傳輸對象Transfer Object的集合）緩存起來，接下來的客戶端查詢請求將直接從緩存中獲得。它的特點主要體現(xiàn)在兩點：服務(wù)器端緩存數(shù)據(jù)，每次只返回客戶端本次操作所需的數(shù)據(jù)，通過這兩個措施來減少數(shù)據(jù)庫的訪問次數(shù)以及增加客戶端的響應(yīng)速度，達到最優(yōu)的查詢效果。當然，這里面隱含一個前提就是客戶端采用分頁的方式來瀏覽數(shù)據(jù)。關(guān)于該模式的詳細介紹，請參考[Core J2EE Patterns]一書。
圖1：Value List Handler類圖
但是在實際的應(yīng)用過程中，會發(fā)現(xiàn)該模式存在一定的局限性，其實可以說是該模式應(yīng)用具有一些前提條件：
1、由于緩存是以內(nèi)存來換性能，這對于小數(shù)據(jù)量會工作得很好，但是如果結(jié)果集很大，內(nèi)存消耗將會非常嚴重。同時，消耗在處理結(jié)果集上的時間也會越來越長，比如要循環(huán)讀取記錄集中的數(shù)據(jù)，然后依次填充每個傳輸對象，想想看幾百萬條數(shù)據(jù)這樣處理起來肯定讓人不能忍受。過長的處理時間不僅降低反應(yīng)速度，同時還會占用寶貴的數(shù)據(jù)庫連接資源，造成其它地方無連接可用。雖然，在DAO模式中利用CachedRowSet，Read Only RowSet ，RowSet Wrapper List等策略（詳見參考資料）來代替Transfer Object Collection策略，有效地提高了處理速度，但是仍然存在著在大集合數(shù)據(jù)中進行定位、遍歷等問題。試想一想，即使在CachedRowSet中的absolute(2000000)也是非常費時的操作。所有這一切的根源就在于緩存是一次性讀取所有的數(shù)據(jù)，雖然有時你可以利用業(yè)務(wù)邏輯來強制性增加一些限制條件（比如產(chǎn)品查詢必須選擇大類和次類），但這種限制往往是不牢靠的或者說只是一時的權(quán)宜之計。也有人提出，可以不必緩存所有的查詢結(jié)果，而采取只緩存部分結(jié)果集，比如500，1000條，但這樣一來，就涉及到復(fù)雜的查詢數(shù)據(jù)是否越界的控制，增加了復(fù)雜度，同時也不易實現(xiàn)。
2、既然使用緩存，那就不得不面對一個數(shù)據(jù)更新的問題，使用緩存，實際上就假定了在數(shù)據(jù)緩存期間，數(shù)據(jù)庫中的數(shù)據(jù)不會改變，或者這些改變可以不被反映出來。但是，在很多場合下（比如常見的業(yè)務(wù)系統(tǒng)中）這些數(shù)據(jù)庫中的數(shù)據(jù)經(jīng)常會發(fā)生變化，而且這些改變需要及時反映給客戶端。
3、緩存其實存在一個基本前提，就是緩存的數(shù)據(jù)會被客戶端反復(fù)查詢使用，具體到分頁查詢就是客戶會選擇不同的頁數(shù)來查看數(shù)據(jù)。如果客戶端的查詢條件始終變化，或者用戶基本上只關(guān)心第一頁的數(shù)據(jù)（仔細琢磨一下用戶的習(xí)慣，這在很多中應(yīng)用場合都很常見），那緩存就失去了應(yīng)有的意義，變得多此一舉了。
數(shù)據(jù)分析
所以說，在決定是否應(yīng)用某種設(shè)計模式前，我們需要對被查詢數(shù)據(jù)的特點以及這些數(shù)據(jù)以何種方式被使用（查詢的特點）進行一個分析，根據(jù)不同的結(jié)論來決定采用何種處理策略。而且，數(shù)據(jù)本身的特點和被使用的方式往往交織在一起，需要綜合起來考慮，但這其中主要的考量點還是數(shù)據(jù)查詢的特點。
一般來說，可以從以下幾個方面來分析數(shù)據(jù)：
1、 數(shù)據(jù)量大。
這是我們今天討論的數(shù)據(jù)的一個最基本特點，這個特點在查詢框架設(shè)計時要引起足夠的重視。
注意：大數(shù)據(jù)量的查詢是指查詢時匹配條件的數(shù)據(jù)量大，而不是指表中的數(shù)據(jù)量大，雖然大部分時候這兩者都是一致的。因為在某些情況下，業(yè)務(wù)邏輯可以限制或者只需要一次獲取很少量的數(shù)據(jù)，而查詢的表中的數(shù)據(jù)量卻可能很大，那這種情況就不屬于本文的討論范圍。
2、 關(guān)聯(lián)復(fù)雜，多表關(guān)聯(lián)。
越是簡單的數(shù)據(jù)可能關(guān)聯(lián)越少，而越是復(fù)雜的數(shù)據(jù)往往都是多表關(guān)聯(lián)，這樣很多時候你(數(shù)據(jù)分析師)需要將這幾張表作為一個整體來考慮。
3、 變化頻率。
從這個角度出發(fā)，可以大致將數(shù)據(jù)分為以下幾類：幾乎不變化的睡眠數(shù)據(jù)；有規(guī)律定時更新的數(shù)據(jù)，比如招聘網(wǎng)站的職位信息；經(jīng)常性無規(guī)律更新的數(shù)據(jù)。
4、 成長性。
數(shù)據(jù)是否具有成長性，要預(yù)見數(shù)據(jù)的成長性，并在現(xiàn)有方案中考慮這種成長性，避免到時候查詢框架的重新設(shè)計，象大部分的業(yè)務(wù)數(shù)據(jù)都具有這種成長性。
注意：這里也要特別注意區(qū)分數(shù)據(jù)本身的成長性和數(shù)據(jù)查詢的成長性，這看似等同的兩者其實還是存在很大的區(qū)別。就拿招聘網(wǎng)站來說，有效職位的數(shù)據(jù)肯定是一天天在增加，具有高成長性，但是在某個區(qū)間（比如一個月，一個星期）內(nèi)的有效職位查詢則變化不會太大，不具有成長性。而后者卻往往是實際系統(tǒng)中最常遇到的查詢情況。
5、 數(shù)據(jù)查詢的頻率和方式。
所有的數(shù)據(jù)查詢不可能被等同地使用，你要分清楚系統(tǒng)中的幾個關(guān)鍵查詢，這些查詢使用頻率高，響應(yīng)要快。試想一想，如果一個電子商務(wù)系統(tǒng)的產(chǎn)品查詢每次都要讓顧客等上十秒鐘，結(jié)果就可想而知。
用戶的使用習(xí)慣分析
除了對數(shù)據(jù)查詢本身需要進行分析之外，我們還需要去分析一下用戶如何來使用或者看待這些數(shù)據(jù)，用戶的使用習(xí)慣如何。有人可能覺得這作用不大，或者很難去分析，其實查詢的最終使用者是用戶，他們的一些習(xí)慣會很大程度上左右你的設(shè)計。
1、 用戶關(guān)心數(shù)據(jù)哪些方面的特性，不關(guān)心哪些方面的特性。
上面我們分析了數(shù)據(jù)本身的許多特性，那用戶對其中哪些特性最敏感呢？比如說數(shù)據(jù)分析師對臟數(shù)據(jù)特別不能接受，那我們就必須在查詢框架設(shè)計時特別照顧到這一點。因為再好的框架設(shè)計都不可能在每個方面都能達到最優(yōu)的效果，當必須有所取舍的時候，我們就要明白哪些特性是客戶最關(guān)心的。
2、 用戶如何來使用數(shù)據(jù)。
現(xiàn)在一般查詢的客戶端都采用分頁的方式，一個查詢可能會存在十幾頁甚至幾十頁結(jié)果。對于某些查詢，用戶可能往往只關(guān)心第一頁或者前幾頁的結(jié)果，比如用戶需要查詢出最近完成的工單，而對于另外一些查詢，用戶可能對所有頁結(jié)果都很關(guān)注，比如用戶查詢出最近三天新增的招聘職位。這不同類型的查詢在查詢框架設(shè)計的時候都需要有所考慮并給予不同的處理策略。
查詢框架的設(shè)計
對數(shù)據(jù)及用戶使用習(xí)慣進行了仔細的分析，接下來就可以根據(jù)這些分析來設(shè)計你的查詢框架了。在J2EE架構(gòu)下，對于大數(shù)據(jù)量的查詢主要采取以下兩種方法：
基于緩存的方式：
從數(shù)據(jù)庫得到全部（部分）數(shù)據(jù)，并將其在服務(wù)器端進行緩存，接下來的客戶端請求，將直接從緩存中取得需要的數(shù)據(jù)。這其實就是Value List Handler模式的原理，它主要適用于數(shù)據(jù)量不是非常大，變化不是很頻繁（或者變化頻繁但是有規(guī)律）且不具有成長性的情況，比如招聘網(wǎng)站或者電子商務(wù)網(wǎng)站的大部分查詢就非常適合采取這種方式。
采用這種方式，要特別注意第一次查詢問題，避免響應(yīng)性能達不到要求，因為每個查詢第一次都需要連接數(shù)據(jù)庫，從中獲取數(shù)據(jù)并緩存起來，所以第一次查詢會比接下來的查詢都顯得更慢一些。
對于數(shù)據(jù)的緩存，有以下幾種實現(xiàn)方式：
? 直接緩存在服務(wù)器端
Value List Handler模式就采取這種方式，并且可以根據(jù)不同的情況采取不同的緩存策略，比如Transfer Object集合，CachedRowSet等，這取決于你的DAO實現(xiàn)策略。
? 用臨時表來保存查詢結(jié)果
WLDJ（www.sys-con.com/weblogic/）雜志2004年第7期上有一篇名為“Handling Large Database Result Sets”的文章，它詳細介紹了如何利用臨時表來改良Value List Handler模式以支持大型的J2EE應(yīng)用。
當然除了以上這些方法以外，實現(xiàn)緩存也可以求助于操作系統(tǒng)的特定實現(xiàn)，以前我在IBM DW發(fā)表過一篇探討MMF在Java中應(yīng)用的文章（見參考資料），可惜未有深入，有興趣的朋友可以參考一下。
在使用Value List Handler模式時，要特別注意以下幾點：
1、 該模式一般和DAO模式搭配使用。
2、 該模式有POJO，stateful session bean兩種實現(xiàn)策略。
3、 如果采取stateful session bean實現(xiàn)策略，則默認該緩存的時間長度為整個用戶會話。
前面我們也提到過，如果數(shù)據(jù)不是絕對不變的，那緩存就面臨更新的問題，一旦更新就可能存在著數(shù)據(jù)不一致，如果恰巧客戶也希望能夠看到變化的效果，這個時候就需要采取某種措施來保證這種一致性。常見的措施可以是設(shè)置一個標志位，每次發(fā)生數(shù)據(jù)更新后都將其對應(yīng)的標志位更新，查詢時如果發(fā)現(xiàn)標志位更新了，就直接從數(shù)據(jù)庫獲取數(shù)據(jù)，而不是從緩存中獲取數(shù)據(jù)。另外一種方式就是數(shù)據(jù)更新的同時主動去清空session中的緩存，如果采用stateful session bean實現(xiàn)策略的話。
當然，采取緩存方式的大數(shù)據(jù)量查詢一般來說都不大可能遇到設(shè)置更新標志位的問題，因為這種應(yīng)用方式?jīng)Q定了數(shù)據(jù)不大可能變化，或者數(shù)據(jù)變化不要求立刻反應(yīng)給用戶。比如招聘網(wǎng)站新增加了一些職位信息，如果這些更新恰巧發(fā)生在某些用戶的會話期間，且沒有設(shè)置更新標志位，那這些新增信息就不會反應(yīng)到用戶的查詢結(jié)果中，這種處理方式也是可以接受的。
基于查詢的方式：
不進行數(shù)據(jù)緩存，客戶端的每次數(shù)據(jù)請求都需要進行實際的數(shù)據(jù)庫查詢，這種方式適用于量大，具有成長性，變化頻繁的數(shù)據(jù)。該方式的特點是每次查詢的時間都大致相等，不會存在基于緩存的方式的第一次查詢問題，但后續(xù)的操作會比緩存方式的查詢慢一些。采取這種方式的查詢框架設(shè)計更具有可擴展性以及對數(shù)據(jù)變化更好的應(yīng)變能力，在大部分的業(yè)務(wù)系統(tǒng)中都推薦使用該方式。
"數(shù)據(jù)分析師"使用這種方法，每次查詢應(yīng)該只從數(shù)據(jù)庫獲得客戶端所需的數(shù)據(jù)，這樣就涉及到如何獲得部分數(shù)據(jù)的問題。一種是查詢出符合條件的所有記錄，然后遍歷該記錄集根據(jù)上次查詢結(jié)果來比較記錄中的某些字段獲取本次查詢需要的部分數(shù)據(jù)，由于要對記錄集進行遍歷，效率不高，一般都不推薦使用，而往往采用另一種增加sql查詢語句條件的方式，這種方式有以下幾種實現(xiàn)策略：
? 專屬于數(shù)據(jù)庫的，比如Oracle的rownum
有些數(shù)據(jù)庫提供了標識查詢結(jié)果集中行號的功能，利用該標識就可以限定某個范圍的記錄，比如下面這個方法就是利用Oracle數(shù)據(jù)庫中的rownum功能來包裝sql查詢語句以獲得部分記錄集。
private String wrapSQL(String strSql) {
String strWrapSql = "";
strWrapSql = "select * from (select rownum mynum, xxx.* from (" + strSql + ") xxx ) where mynum between " + getFrom() + " and " + getTo();
return strWrapSql;
}
當然這種實現(xiàn)策略的缺點很明顯，就是綁定于特定數(shù)據(jù)庫的實現(xiàn)，有的數(shù)據(jù)庫可能并不提供這個功能，不能獨立于特定數(shù)據(jù)庫實現(xiàn)而提供一個通用的實現(xiàn)。
? 利用業(yè)務(wù)數(shù)據(jù)的規(guī)律性來獲得部分記錄集
對于實際系統(tǒng)中的每個查詢，都會被指定按照某種方式來進行排序（不管是業(yè)務(wù)邏輯默認的還是客戶端指定的），也就是說查詢的sql中存在著order by子句。既然查詢結(jié)果集對于order by子句中的字段會呈現(xiàn)一定的規(guī)律性，那我們是不是可以利用這種有序性來獲得部分的記錄集呢？答案是肯定的。
參考資料中的Paging in J2EE一文對這種方式進行了詳細的闡述，并且給出了一個實例，有興趣的朋友可以參考一下。但是，該篇文章針對的是那些排序方式是業(yè)務(wù)邏輯默認的情況，即排序字段可以通過屬性文件定義下來的。但在實際情況中，還存在另外一種可能，排序方式是由客戶端指定時，這個時候排序的字段和升降序都由客戶端指定，這個時候就需要在查詢框架中提供某種機制來將排序字段和where子句進行映射。
獲得結(jié)果集的總數(shù)
當采用獲取部分記錄集的方式時，獲得的記錄集大小并不能真實地反映出查詢結(jié)果集的大?。ㄒ驗橹皇瞧渲械囊徊糠郑?，所以又涉及到對于記錄總數(shù)的處理：
? 如果不需要，或者沒有意義，不提供，因為count(*)操作耗資源
? 在sql語句中獲得
在有些情況下，你可以在sql語句中直接加上count(*)來獲得記錄集總數(shù)，比如你用Statement接口的setMaxRows(int max)方法來控制返回的記錄數(shù)時。
? 單獨進行一次查詢
為count(*)語句單獨進行一次數(shù)據(jù)庫查詢，只要將構(gòu)造好的sql語句中的select字段替換為count(*)即可。當然count(*)的查詢sql應(yīng)該盡量簡練，不要加上order by子句之類的。
其實，以上提到的這兩種方式在實際的查詢框架設(shè)計時不可能完全分開來，只不過以哪種方式為主而已，它們往往是混合在一起使用以達到最優(yōu)的查詢效果。
查詢框架設(shè)計時的注意點
當然，在優(yōu)化大數(shù)據(jù)量查詢的過程中，數(shù)據(jù)庫本身的優(yōu)化必不可少，比如建立索引等措施。但是，數(shù)據(jù)庫的優(yōu)化要循序漸進，要和程序代碼的優(yōu)化相一致。在進行數(shù)據(jù)庫優(yōu)化之前，要做的是sql語句的優(yōu)化，這可以通過觀察它的執(zhí)行計劃來進行考量。這些工作最好都由DBA來參與共同完成。
對于性能的個人態(tài)度：要提早考慮，確定一個方案前要進行測試，并預(yù)見未來的變化。
對于“大數(shù)據(jù)量”這幾個詞不要只停留于口頭的重視，要想有切身的體會，最好在框架設(shè)計好后，進行大數(shù)據(jù)量的模擬壓力測試，實際地檢驗?zāi)愕脑O(shè)計。不要總是回答：我想，應(yīng)該沒有問題，應(yīng)該支持幾百萬的數(shù)據(jù)，最好拿出最有說服力的數(shù)據(jù)。
以后關(guān)注的方向：
1、 EJB 3.0規(guī)范中EJB QL語法得到加強，比如可以支持原生SQL語句，使得利用實體Bean來實現(xiàn)部分類型查詢成為可能。
2、 JDBC規(guī)范是否能夠在某些方面對這種大數(shù)據(jù)量查詢提供某些功能接口，比如獲得部分記錄集，以及統(tǒng)一的緩存接口。
總結(jié)
本文給出了查詢框架設(shè)計時的一些思路和方法，最重要的一點就是在設(shè)計之前要充分研究你的目標系統(tǒng)，了解最終的數(shù)據(jù)查詢特點。由于本文只是個人的一些觀點和經(jīng)驗總結(jié)，偏頗之處在所難免，希望有興趣的朋友一起來討論這個問題。數(shù)據(jù)分析師培訓(xùn)
CDA數(shù)據(jù)分析師考試相關(guān)入口一覽（建議收藏）：
? 想報名CDA認證考試，點擊>>>
“CDA報名”
了解CDA考試詳情；
? 想學(xué)習(xí)CDA考試教材，點擊>>> “CDA教材” 了解CDA考試詳情；
? 想加入CDA考試題庫，點擊>>> “CDA題庫” 了解CDA考試詳情；
? 想了解CDA考試含金量，點擊>>> “CDA含金量” 了解CDA考試詳情；
京公網(wǎng)安備 11010802034615號
經(jīng)營許可證編號：京B2-20210330
