知识卡片
三种键值存储引擎的场景化权衡:哈希表/B+树/LSM-tree
键值存储引擎的选型没有”万金油”答案,三种主流索引结构各自把 读、写、范围查询、空间利用率这几项能力做出了不同取舍,适配的 是不同的负载形态而不是互相替代关系。基于哈希表的引擎(Redis、 Memcached、BitCasker)把哈希键直接映射到桶,插入和查找都能做到 O(1),读写都很快,代价是哈希表本身无序,彻底放弃了范围查询能力, 适合读写均衡、不需要按区间扫描的负载(如缓存、会话存储)。基于 B+树的引擎(BerkeleyDB、Hekaton、MySQL的InnoDB)用有序的多叉 树结构组织数据,插入查询是O(log n),因为数据整体有序所以能高效 支持范围查询,空间利用率也能到70%左右,但树结构的动态调整对 并发控制提出了更高要求,适合读密集或读写均衡、需要范围查询的 业务分析场景。基于LSM-tree的引擎(LevelDB、RocksDB、HBase、 Cassandra)用”先写内存缓冲、再批量顺序落盘”的方式把随机写转化 成顺序写,写入性能最优,代价是查询时可能要遍历多个层级的文件, 且合并(compaction)过程会带来显著的写放大,适合电商、证券、 日志这类写密集的场景。三者共存而不是互相淘汰,说明键值存储的 “性能”从来不是单一维度的指标,而是读/写/范围查询/空间这几个 维度的权衡组合,越专用于某种负载形态,就能在那个维度上做得 越极致。
结构图:
flowchart TD
A{键值存储引擎选型} --> B[哈希表<br/>Redis/Memcached]
A --> C[B+树<br/>BerkeleyDB/InnoDB]
A --> D[LSM-tree<br/>LevelDB/RocksDB/HBase]
B --> B1[读写O(1)<br/>不支持范围查询<br/>适合读写均衡负载]
C --> C1[读写O(log n)<br/>支持范围查询<br/>空间利用率约70%<br/>适合读密集/分析场景]
D --> D1[随机写转顺序写<br/>写性能最优<br/>查询需遍历多层<br/>存在写放大<br/>适合写密集场景]
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
原书出处
参考来源
- 位置:《新型数据库系统:原理、架构与实践》第4章"键值数据库
技术"4.4.3节末尾总结段(源文件:
_epub-src/EPUB/xhtml/Section0001_0006.xhtml)
- 结论依据:原文明确"基于哈希表的存储引擎、基于B+树的存储引擎
和基于LSM-tree的存储引擎在现代键值存储引擎中三足鼎立,它们
并不能互相取代,因为不同的索引结构适应不同的应用场景……没有
哪种存储引擎可以适应所有的场景,而现代键值数据库的魅力就在于,
更专用的场景总是可以做出更极致的优化",并逐一说明三者各自
适合的负载类型,因此可以推出三者是场景化权衡而非优劣替代关系。
- 原始内容:基于哈希表的存储引擎适合读/写均衡的负载……基于B+树
的存储引擎适合读密集和读/写均衡的负载……基于LSM-tree的存储
引擎适合写密集的负载,例如电商和证券数据库,以及网页日志
数据库等。