性能提升3-4倍！贝壳基于Flink + OceanBase的实时维表服务

作者介绍：肖赞，贝壳找房（北京）科技有限公司 OLAP 平台负责人，基础研发线大数据平台部架构师。

贝壳找房是中国最大的居住服务平台。作为居住产业数字化服务平台，贝壳致力于推进居住服务的产业数字化、智能化进程，通过聚合、助力优质服务者，为中国家庭提供包括二手房交易、新房交易、租赁、家装、家居、家服等一站式、高品质、高效率服务。

前几天，我们在《贝壳降本提效实践：基于 OceanBase 的实时字典服务》中，介绍了实时字典服务的应用场景，在上线 OceanBase 后，贝壳获得了更高的查询性能和稳定性。今天为大家介绍 OceanBase 在贝壳的第二个应用场景——实时维表服务，通过替代原有的 HBase 维表服务，让贝壳的性能提升了 3-4 倍，硬件成本节省了一半，与此同时，运维成本获得了极大降低。

在典型的实时数仓或实时业务场景里，Flink 实时流处理过程中，经常需要将事实表与外部维度表进行关联，查询维度表，补全事实表中的信息。例如，在贝壳家居等业务场景中，需要在用户下单后将订单信息与维度表中商品信息的相关信息进行实时关联。考虑到维表数据量较大，并且 Flink 实时查询 QPS 较高，传统数据库  MySQL 等难以支撑，因此，贝壳采用 HBase 作为维表。HBase 是一个分布式列存储 NoSQL 数据库，具有较好地查询性能，但是也存在一些痛点。

痛点 1：HBase 不支持二级索引

在许多应用场景中，Flink 任务关联维度表时，除了需要基于主键字段进行关联外，还需要其他非主键字段进行关联。但是，HBase 只支持行键（Row Key）作为单一索引，本身并不直接支持二级索引。Apache Phoenix 等项目对 HBase 的基础上进行扩展，能够实现类似于二级索引的功能，但是需要更多的开发和维护成本。

痛点 2：HBase 依赖较多，部署复杂，成本高

HBase 是构建在 Hadoop 生态系统之上的，它依赖于分布式文件系统 HDFS 用于数据的持久化存储，依赖 ZooKeeper 来完成选举、节点管理、集群元数据维护等，因此，在生产环境中部署 HBase 之前，需要先部署和配置 Hadoop、ZooKeeper 等组件，涉及组件多，部署较复杂，运维成本较高，硬件成本也较高，特别是在一些特殊场景下需要分别为其部署独立的 HBase 集群。 

基于上述背景，贝壳将目光投向分布式数据库，并锁定具备高性能、高可靠性和可扩展性的 OceanBase。同时，OceanBase 能够很好地解决贝壳业务痛点。

首先，OceanBase 原生支持二级索引功能，可以直接在维表上创建额外的索引，提升维表的查询性能。其次，OceanBase 只有 OBServer 一个角色，不依赖任何外部组件，天然具备高可用能力，部署非常简单。同时，其自带的周边工具也可以快速安装，比如通过 OCP（OceanBase Cloud Platform）白屏化安装或通过 OBD（OceanBase Deployer）命令行安装集群，运维很方便。

在部署资源消耗方面，HBase 方案机器成本大概是 OceanBase 的 2 倍。因为 HBase 为了保证高可用, 采用了双 HRegionServer，而 HBase 又是基于三副本的 Hadoop 存储数据, 所以，一份数据通常需要六副本。在集群规模不大时，使用 Zookeeper、Hadoop 会带来大量额外的机器冗余。但是，使用 OceanBase 存储数据只需要三副本，成本降低一半。

因此，贝壳决定在实时计算平台中引入 OceanBase 作为实时维表存储，在此之前，对 OceanBase 和 HBase 在实时维表 1 对 N 关联和维表 1 对 N 关联场景进行了全面的性能测试对比。

第一，环境准备

OceanBase 和 HBase 测试集群均采用 3 台 Dell EMC PowerEdge R740 服务器节点组成，节点配置规格为：80C/188G/2.9T Nvme SSD，所有的测试任务均运行在同一个 Hadoop 实时集群。HBase 版本为 1.4.9，HBase 集群由 HBase DBA 协助部署和配置，OceanBase 版本为 3.1.2，使用默认配置。

第二，测试方案

首先，为验证维表数据量对于查询性能影响，分别准备了 1 亿、2000 万、10 万的随机测试数据插入 OceanBase 及 HBase，其中主键(HBase为 rowKey)为从 1 至测试数据量的顺序值，OceanBase 建表 DDL 及样例数据如下:

show create table tb_dim_benchmark_range_partitioned;
create table `tb_dim_benchmark_range_partitioned`
（ 
t1 bigint(20) NOT NULL,
t2 varchar(200) DEFAULT NULL, 
……
t30 varchar(200) DEFAULT NULL,
）
    PRIMARY KEY (`t1`)
) DEFAULT CHARSET = utf8mb4
  ROW_FORMAT = COMPACT
  COMPRESSION = 'zstd_1.3.8' REPLICA_NUM = 3 BLOCK_SIZE = 16384 USE_BLOOM_FILTER = FALSE TABLET_SIZE =
134217728 PCTFREE = 0
 partition by range(t1)
(partition PT1 values less than (10000000),
partition PT2 values less than (20000000),
partition PT3 values less than (30000000),
partition PT4 values less than (40000000),
partition PT5 values less than (50000000),
partition PT6 values less than (60000000),
partition PT7 values less than (70000000),
partition PT8 values less than (80000000),
partition PT9 values less than (90000000),
partition PT10 values less than (100000000));

select * from tb_dim_benchmark_range_partitioned limit 1;
# 10000000,c5181f1335efd950960f41cbecb1ab0ed97c43502252b99834f4b6905ea7f7490ca72e1d676bbe9b77016d23e52ada249f2c,
2b5480769a360133d57f09cba16d1c449cc06b42b614bcfa3f9db6bbf7a04bac2be1d373d11c63a77676daf53111c2321b32,
db88f926925d87175aa4be6740f6f2f49d8f8b38f0d0efff2e5e832f3c1aec21e06cc4f2f0b5053e0b9fbab8a16cce80b9ff,
9c0b94cdde25b68264704c890d141444d28544a7ce4955856b3115f913442ec4bc741f033477e366005c927e41842a7cd9be,
4d69eedaae9e42b4ab7388e66992efddfa39cbb6802cf69b97c5892070a68e6eed51f823770587771a49cbbd1b7be1f2e024,
c60b30f6c4e1b3c02d6fb2de58badf8097f782a8534e0c9dc78497ede12b2573e2d9441e0596f37739d26f0830918fb03ff5,
a8a01cbe3bd44e6d52b7e83bd020a23ae305713fd376a0627f610302018c39ec3aa540519dccceb764324282dfbf0bdda6cc,
fd358773a94c1770980e92e66fcd9e4f70d6f3ef35dff86c65a97826698c750489682c2d1d36ab75ddb588da65b61cd6fc63,
cb8a60222389c9ff9ff4e4e492a4f16ed7ea0e6b781379afc7fad78539fbf8da54b0ef8ea7ef9680543ebc0c18a908092bd1,
9cdbf58a3d454d2b14ebf17167d045887ab5eb3a21d3916acc393475011a079c350295fa8b4b324dab63a00f1fbadfb22edb,
cda510824ef5bc82cd4e014c851ed367dbd6da8828cc261070a0db9cc9341764baf445506a12a7eb7265434f29d63c65b3a1,
8d7c4bbcd42364b93b8cae11eff8f50115e36f1f4f4e6a492687bc2374444c4eaf80e1903eb13fcdfbea6f00de999e0f0587,
107b23e4b7e5a16149a8ea7f75c45c607bb5974cbbdf36077615d92591f4830ec5b2b33945d82e8e526f92cb0072cbf8a260,
cda4ab39b6f2b67d1d283077a1beb01771639eff1ae371372bb2555de594699821d43509fdd7014bcf3e5098bd13c30c8199,
a330f59ee2e48051362241f9a24ba1adad4b61fdd18676cd209799bbec6775dc01120abb0e157589d3f594051b5ae2dd6572,
b8e98c3979610c67ea65433a560ab6cf8663c9de201ae1051a14034b317f90aaa1085b49eba3d86748677f4e0575169fb76c,
6753542147a9cf38f4d040f205483a798d1d2a2c0cf2283ec98c735bf82422a8ecdea432cee8c76a00917b8add7eac5aa0b4,
8d8e0c2caeed82f21ddb288affe2fb567c008e8982cb5a4d07343dc4fd6679f550856649fe4bd40eec9747485c660b01e55e,,
c261014cf13c462815e0afece1512409d2549a699e33eaf8cb23b0b23719c870c83817fcaa7466d5d88a1ae240458ba0201a,
2ac55e6bc39eb79694bf00c2b69768365b7833d9f0cb7df078525d9ab98eba5ce2bfc3cc1fb9f4398c49c16073fb5d863172,
77ab6010d7bc664b6861927322276b2d35d4f5ff2d6bc2eec3da9ef936ae836dfbed6783a8c7f9970e19d46e43b52e49a0f6,
4109f993c94f8ca40c6932d01a726fb173beb60e34b57bf488f86fe9e6c12f7f7497c720fa95099c6a43cb3442444b367ea4,
7891bdf8a52dc19d311f392fa5f34509c6dcb33b8b8e291131ca5d46c517ea0933868874244aff1b3345ea5279fe0c659709,
200e69e8ec8e6104834596c2fefe8ed772ba9b7de4f1287c91c3b91469dd985fbb93d55a9497b2606ae9003975458b6b054b,
a2de28933b2cf1f9166cf3aab732f5c6b68967eddef0472a8577a82f37e77bcfc45a5e0adc11d382160d3c84ec14e0e75b5d,
1fa6bcf4d9ef2076aa016e78db575595a9155dfe6484a9812ae690fc20c244bf2d09355ba7dbc32495330a21b6e3c893ba6b,
b01a0b4ba3d8ae159d330720bb8baffe3ad2504b221151b8f68304ed7c14a03d21f75a4e6ad16873ea0c8904717478d3f7c4,
a00ae3e9a8c89f5a0f0fae92934d23adeb9117ef7c91f80f0d5306eca558b77422f273283e867a6b7320e91895087e652ed7

其次，为避免测试流程中其他依赖组件(例如物理 Source、Sink)对维表关联性能造成影响，对 SQL 的测试数据源使用 DataGen SQL Connector (支持在内存中随机或顺序 生成记录)及 BlackHole SQL Connector(吞掉所有输入数据，用于性能测试)。 

CREATE TABLE `data_gen_source` (`t1` BIGINT, `t2` VARCHAR, `proctime` AS PROCTIME()) WITH (
  'connector' = 'datagen',
  'fields.t1.kind' = 'random',
  'fields.t1.min' = '1',
  'fields.t1.max' = '100000',
  'rows-per-second' = '100000000'
);
CREATE TABLE `tb_dim_benchmark_1`(
`t1` BIGINT,
`t2` VARCHAR,
……
`t30` VARCHAR,
PRIMARY KEY (`t1`) NOT ENFORCED
) WITH (
  'connector' = 'jdbc',
  'url' = '',
  'driver' = 'com.mysql.jdbc.Driver',
  'sink.buffer-flush.max-rows' = '500',
  'table-name' = 'tb_dim_benchmark_range_partitioned_10w'
); 
CREATE TABLE blackhole_table (
  `t1` BIGINT,
  `t2` VARCHAR,
  ……
`t30` VARCHAR
) WITH ('connector' = 'blackhole');

INSERT INTO blackhole_table
SELECT tb1.`t1`,tb2.`t2`,tb2.`t3`,tb2.`t4`,tb2.`t5`,tb2.`t6`,tb2.`t7`,tb2.`t8`,tb2.`t9`,tb2.`t10`,tb2.`t11`,tb2.
`t12`,tb2.`t13`,tb2.`t14`,tb2.`t15`,tb2.`t16`,tb2.`t17`,tb2.`t18`,tb2.`t19`,tb2.`t21`,tb2.`t22`,tb2.`t23`,tb2.
`t24`,tb2.`t25`,tb2.`t26`,tb2.`t27`,tb2.`t28`,tb2.`t29`,tb2.`t30`
FROM `data_gen_source` tb1
  LEFT JOIN `tb_dim_benchmark_1` FOR SYSTEM_TIME as of tb1.`proctime` as tb2 ON tb1.`t1` = tb2.`t1`;

第三，测试结果

• 维表 1 对 1 关联，即 DataGen 生成随机值与 OceanBase(索引字段)和HBase(RowKey)关联，测试数据如下表所示。

• 维表 1 对 N 关联，即 DataGen 生成随机值与 OceanBase(二级索引列)关联， 测试那颗数据如下表所示。

基于测试结果，可以得到四个结论：

• 维表数据量在 2000 万及 1 亿条（大数据量）时，低任务并行度下的 OceanBase QPS 优于 HBase，高任务并行度下 OceanBase 相比 HBase 有 3-4 倍性能提升，优势明显。

• 维表数据量在 10w（小数据量）时，低任务并行度下 HBase QPS 略高于 OceanBase，高并行度下 OceanBase 优势明显。

• 对 OceanBase 使用非索引列关联性能较差，后续使用需注意大维表关联时关联字段加索引，实时计算平台可从平台功能角度优化，例如用户关联了非索引列则在 SQL 校验阶段提示用户创建索引。

• 对 OceanBase 使用二级索引列关联（1 对 N 关联）性能良好，可满足较高 QPS 业务场景需求。

从以上测试结果来看，在相同环境下，OceanBase 综合性能要优于 HBase，并且原生支持二级索引能力，部署简单，具有更低的硬件成本和运维成本，因此，贝壳选择使用 OceanBase 替换 HBase，作为实时计算平台的实时维表存储。

在 OceanBase 的应用过程中，贝壳也提出了一些建议：比如，发现普通的关系表不支持 TTL（当前使用的是 OceanBase 3.1.2 社区版本），经与社区沟通，OceanBase 的 3.1.4 版本已经支持 table API 或 Hbase API 等 API 模型，OceanBase 4.0 版本已经支持全局二级索引。

另外，贝壳建议 OceanBase 在与大数据生态打通（例如导入导出、计算等）方面可以进一步加强，更好地支持大数据到 OceanBase 的导入导出等。

往期推荐

▼ 点击下方「阅读原文」，看更多客户故事。