海量數據的分頁怎么破

一、背景

分頁應該是極為常見的數據展現方式了，一般在數據集較大而無法在單個頁面中呈現時會采用分頁的方法。
各種前端UI組件在實現上也都會支持分頁的功能，而數據交互呈現所相應的后端系統、數據庫都對數據查詢的分頁提供了良好的支持。
以幾個流行的數據庫為例：

查詢表 t_data 第 2 頁的數據(假定每頁 5 條)

• MySQL 的做法：

  select * from t_data limit 5,5

• PostGreSQL 的做法：

  select * from t_data limit 5 offset 5

• MongoDB 的做法：

db.t_data.find().limit(5).skip(5);

盡管每種數據庫的語法不盡相同，通過一些開發框架封裝的接口，我們可以不需要熟悉這些差異。如 SpringData 提供的分頁接口：

public interface PagingAndSortingRepository<T, ID extends Serializable>
  extends CrudRepository<T, ID> {

  Page<T> findAll(Pageable pageable);
}

這樣看來，開發一個分頁的查詢功能是非常簡單的。
然而萬事皆不可能盡全盡美，盡管上述的數據庫、開發框架提供了基礎的分頁能力，在面對日益增長的海量數據時卻難以應對，一個明顯的問題就是查詢性能低下！
那么，面對千萬級、億級甚至更多的數據集時，分頁功能該怎么實現？

下面，我以 MongoDB 作為背景來探討幾種不同的做法。

二、傳統方案

就是最常規的方案，假設 我們需要對文章 articles 這個表(集合) 進行分頁展示，一般前端會需要傳遞兩個參數：

• 頁碼(當前是第幾頁)
• 頁大小(每頁展示的數據個數)

按照這個做法的查詢方式，如下圖所示：

因為是希望最后創建的文章顯示在前面，這里使用了_id 做降序排序。
其中紅色部分語句的執行計劃如下：

{
  "queryPlanner" : {
    "plannerVersion" : 1,
    "namespace" : "appdb.articles",
    "indexFilterSet" : false,
    "parsedQuery" : {
      "$and" : []
    },
    "winningPlan" : {
      "stage" : "SKIP",
      "skipAmount" : 19960,
      "inputStage" : {
        "stage" : "FETCH",
        "inputStage" : {
          "stage" : "IXSCAN",
          "keyPattern" : {
            "_id" : 1
          },
          "indexName" : "_id_",
          "isMultiKey" : false,
          "direction" : "backward",
          "indexBounds" : {
            "_id" : [ 
              "[MaxKey, MinKey]"
            ]
         ...
}

可以看到隨著頁碼的增大，skip 跳過的條目也會隨之變大，而這個操作是通過 cursor 的迭代器來實現的，對于cpu的消耗會比較明顯。
而當需要查詢的數據達到千萬級及以上時，會發現響應時間非常的長，可能會讓你幾乎無法接受！

或許，假如你的機器性能很差，在數十萬、百萬數據量時已經會出現瓶頸

三、改良做法

既然傳統的分頁方案會產生 skip 大量數據的問題，那么能否避免呢？答案是可以的。
改良的做法為：

1. 選取一個唯一有序的關鍵字段，比如 _id，作為翻頁的排序字段；
2. 每次翻頁時以當前頁的最后一條數據_id值作為起點，將此并入查詢條件中。

如下圖所示：

修改后的語句執行計劃如下：

{
  "queryPlanner" : {
    "plannerVersion" : 1,
    "namespace" : "appdb.articles",
    "indexFilterSet" : false,
    "parsedQuery" : {
      "_id" : {
        "$lt" : ObjectId("5c38291bd4c0c68658ba98c7")
      }
    },
    "winningPlan" : {
      "stage" : "FETCH",
      "inputStage" : {
        "stage" : "IXSCAN",
        "keyPattern" : {
          "_id" : 1
        },
        "indexName" : "_id_",
        "isMultiKey" : false,
        "direction" : "backward",
        "indexBounds" : {
          "_id" : [ 
            "(ObjectId('5c38291bd4c0c68658ba98c7'), ObjectId('000000000000000000000000')]"
          ]
      ...
}

可以看到，改良后的查詢操作直接避免了昂貴的 skip 階段，索引命中及掃描范圍也是非常合理的！

性能對比

為了對比這兩種方案的性能差異，下面準備了一組測試數據。

測試方案

準備10W條數據，以每頁20條的參數從前往后翻頁，對比總體翻頁的時間消耗

db.articles.remove({});
var count = 100000;

var items = [];
for(var i=1; i<=count; i++){

  var item = {
    "title" : "論年輕人思想建設的重要性-" + i,
    "author" : "王小兵-" + Math.round(Math.random() * 50),
    "type" : "雜文-" + Math.round(Math.random() * 10) ,
    "publishDate" : new Date(),
  } ;
  items.push(item);

  if(i%1000==0){
    db.test.insertMany(items);
    print("insert", i);

    items = [];
  }
}

傳統翻頁腳本

function turnPages(pageSize, pageTotal){

  print("pageSize:", pageSize, "pageTotal", pageTotal)

  var t1 = new Date();
  var dl = [];

  var currentPage = 0;
  //輪詢翻頁
  while(currentPage < pageTotal){

     var list = db.articles.find({}, {_id:1}).sort({_id: -1}).skip(currentPage*pageSize).limit(pageSize);
     dl = list.toArray();

     //沒有更多記錄
     if(dl.length == 0){
         break;
     }
     currentPage ++;
     //printjson(dl)
  }

  var t2 = new Date();

  var spendSeconds = Number((t2-t1)/1000).toFixed(2)
  print("turn pages: ", currentPage, "spend ", spendSeconds, ".")  

}

改良翻頁腳本

function turnPageById(pageSize, pageTotal){

  print("pageSize:", pageSize, "pageTotal", pageTotal)

  var t1 = new Date();

  var dl = [];
  var currentId = 0;
  var currentPage = 0;

  while(currentPage ++ < pageTotal){

      //以上一頁的ID值作為起始值
     var condition = currentId? {_id: {$lt: currentId}}: {};
     var list = db.articles.find(condition, {_id:1}).sort({_id: -1}).limit(pageSize);
     dl = list.toArray();

     //沒有更多記錄
     if(dl.length == 0){
         break;
     }

     //記錄最后一條數據的ID
     currentId = dl[dl.length-1]._id;
  }

  var t2 = new Date();

  var spendSeconds = Number((t2-t1)/1000).toFixed(2)
  print("turn pages: ", currentPage, "spend ", spendSeconds, ".")    
}

以100、500、1000、3000頁數的樣本進行實測，結果如下：

可見，當頁數越大(數據量越大)時，改良的翻頁效果提升越明顯！
這種分頁方案其實采用的就是時間軸(TImeLine)的模式，實際應用場景也非常的廣，比如Twitter、微博、朋友圈動態都可采用這樣的方式。
而同時除了上述的數據庫之外，HBase、ElastiSearch 在Range Query的實現上也支持這種模式。

四、完美的分頁

時間軸(TimeLine)的模式通常是做成“加載更多”、上下翻頁這樣的形式，但無法自由的選擇某個頁碼。
那么為了實現頁碼分頁，同時也避免傳統方案帶來的 skip 性能問題，我們可以采取一種折中的方案。

這里參考Google搜索結果頁作為說明：

通常在數據量非常大的情況下，頁碼也會有很多，于是可以采用頁碼分組的方式。
以一段頁碼作為一組，每一組內數據的翻頁采用ID 偏移量 + 少量的 skip 操作實現

具體的操作如下圖所示：

實現步驟

1. 對頁碼進行分組(groupSize=8, pageSize=20)，每組為8個頁碼；

2. 提前查詢 end_offset，同時獲得本組頁碼數量：

   db.articles.find({ _id: { $lt: start_offset } }).sort({_id: -1}).skip(20*8).limit(1)

3. 分頁數據查詢以本頁組 start_offset 作為起點，在有限的頁碼上翻頁(skip)
   由于一個分組的數據量通常很小(8*20=160)，在分組內進行skip產生的代價會非常小，因此性能上可以得到保證。

小結

隨著物聯網，大數據業務的白熱化，一般企業級系統的數據量也會呈現出快速的增長。而傳統的數據庫分頁方案在海量數據場景下很難滿足性能的要求。
在本文的探討中，主要為海量數據的分頁提供了幾種常見的優化方案(以MongoDB作為實例)，并在性能上做了一些對比，旨在提供一些參考。