记录一次MongoDB3.0.6版本wiredtiger与MMAPv1引擎的写入耗时对比
一、MongoDB3.0.x的版本特性(相对于MongoDB2.6及以下):
- 增加了wiredtiger引擎:
- 开源的存储引擎;
- 支持多核CPU、充分利用内存/芯片级别缓存(注:10月14日刚刚发布的3.0.7版本中,进一步改进了内存操作的性能);
- 基于B-TREE及LSM算法;
- 提供文档级锁(document-level concurrency control),类似于关系型数据库的的行级锁;
- 支持文件压缩(其中snappy压缩机制可以在5%的额外CPU消耗,减少70%的空间使用,也可以根据需要调节压缩比例),三种压缩类型:
- 不压缩;
- Snappy压缩:默认的压缩方式, Snappy是在谷歌内部生产环境中被许多项目使用的压缩库,包括BigTable,MapReduce和RPC等,压缩速度比Zlib快,但是压缩处理文件的大小会比Zlib大20%-100%, Snappy对于纯文本的压缩率为1.5-1.7,对于HTML是2-4,对于JPEG、PNG和其他已经压缩过的数据压缩率为1.0。在I7 i7 5500u 单核CPU测试中,压缩性能可在200M/s-500M/s;
- Zlib压缩: Z1ib是一个免费、通用、跨平台、不受任何法律阻碍的、无损的数据压缩开发库,相对于Snappy压缩,消耗CPU性能高、压缩速度慢,但是压缩效果好。
- MMAPv1引擎(MongoDB2.6及以下版本用的是MMAP引擎):
- collection锁(collection-level concurrency control),在MMAP版本中,只提供了database的锁(既当一个用户对一个collection进行操作时,其他的collection也被挂起);
- 无缝迁移(MMAP版本的数据可以在线迁移至MMAPV1版本,也可以迁移至wiredtiger引擎中)。
- 可插拔的存储引擎API(类似于mysql的多引擎驱动)
- 通过不同的数据引擎来满足不同的数据需求;
- 未来更多的场景扩展。
- Ops manager(MongoDB企业版提供的功能)
- 居于web的图形管理界面
- 减少日常日常和配置的工作
二、测试环境:
服务器硬件配置:172.16.16.169 CPU:2*E5620 @ 2.40GHz、内存:8G
客户端硬件配置:172.16.40.92 CPU: 4*I5-4300U@ 1.90GHz、内存:4G
数据库:mongodb V3.0.6
开发环境:python3.4.3、pycharm4.5.4
测试前提:已安装完成了mongodb、python、pycharm
三、测试场景:插入100万条数据的时间消耗对比;
1. 在服务器端启动MongoDB(默认为MMAPv1引擎,默认端口为27017,在MongoDB的安装目录中启动MongoDB,定义数据和日志路径):
#./mongod --dbpath=/data/db --logpath=/data/log
2. 登录MongoDB:
#./mongo
3. 查看当前的引擎状态:
> db.serverStatus()"storageEngine" : {"name" : "mmapv1"
4. 在服务器端启动MongoDB(WiredTiger引擎,端口:11111,在MongoDB的安装目录中启动MongoDB,定义数据和日志路径,定义WiredTiger引擎):
#./mongod --dbpath=/data/wiredtiger --logpath=/data/wiredtiger/log
5. 登录至启动了WiredTiger引擎的Mongodb:
#./mongo 127.0.0.1:11111
6. 查看当前的引擎状态:
> db.serverStatus()"storageEngine" : {"name" : "wiredTiger"
7. python连接MongoDB MMAPv1写入配置:
import time import datetime import timeit import math ISOTIMEFORMAT = '%Y-%m-%d %X' from pymongo import MongoClient mc = MongoClient("172.16.16.169",27017) db = mc.users def dateDiffInSeconds(date1,date2): timedelta = date2 - date1 return timedelta.days*24*3600 +timedelta.seconds date1 = datetime.datetime.now() db.users.drop() for i in range(0,1000000) :db.users.insert({"name":"ljai","age":i,"addr":"fuzhou"}) c = db.users.find().count() print("count is ",c) date2 = datetime.datetime.now() print(date1) print(date2) print(dateDiffInSeconds(date1,date2),"seconds") mc.close()
8. 测试结果:100万条数据写入花费了12分钟28秒:
2、 python连接MongoDB WiredTiger写入配置:
import time import datetime import timeit import math ISOTIMEFORMAT = '%Y-%m-%d %X' from pymongo import MongoClient mc = MongoClient("172.16.16.169",27017) db = mc.users def dateDiffInSeconds(date1,date2): timedelta = date2 - date1 return timedelta.days*24*3600 +timedelta.seconds date1 = datetime.datetime.now() db.users.drop() for i in range(0,1000000) :db.users.insert({"name":"ljai","age":i,"addr":"fuzhou"}) c = db.users.find().count() print("count is ",c) date2 = datetime.datetime.now() print(date1) print(date2) print(dateDiffInSeconds(date1,date2),"seconds") mc.close()
9. 测试结果:100万条数据写入花费了10分3秒:
![](https://images2015.cnblogs.com/blog/823031/201510/823031-20151015203509194-43100388.png)
100万条的数据写入,WireTiger引擎会比MMAPv1快一些,后续再继续其他方面的性能测试。