badger 一个高性能的LSM K/V store

article/2025/10/13 3:22:14

大家好，给大家介绍一下，新晋的高性能的 K/V数据库: badger。

这是 dgraph.io开发的一款基于 log structured merge (LSM) tree 的 key-value 本地数据库，使用 Go 开发。

事实上，市面上已经有一些知名的基于LSM tree的k/v数据库，比如 leveldb、goleveldb、rocksdb、boltdb, 可是为什么还要创造新的轮子呢。我们不妨从LSM说起。

LSM Tree

Log-structured merge-tree (简称 LSM tree) 可以追溯到1996年 Patrick O'Neil等人的论文。最简单的LSM tree是两层树状结构C0,C1。 C0比较小，驻留在内存，当C0超过一定的大小，一些连续的片段会从C0移动到磁盘中的C1中，这是一次merge的过程。在实际的应用中，一般会分为更多的层级(level)，而层级C0都会驻留在内存中。

2006年， Google发表了它的那篇著名的文章: Bigtable: A Distributed Storage System for Structured Data, 不但催生了 HBase这样的项目的诞生，而且广泛地引起了大家对 LSM tree这种数据结构重视。

之后， 2007 HBase, 2010年 Cassandra， 2011年 LevelDB, 2013年 RocksDB, 2015年 InfluxDB的 LSM tree引擎等众多的基于LSM tree的k/v数据库(引擎)诞生。

LevelDB 也是由Google的牛人 Jeffrey Dean 和 Sanjay Ghemawat创建的，被多个NoSql数据库用作底层的存储引擎。 RocksDB fork自LevelDB，但为多核和SSD做了很多的优化，增加了一些有用的特性，比如Bloom filters、事务、TTL等，被Facebook、Yahoo!和Linkedin等公司使用。

badger

回到开始的问题，既然已经有了一些优秀的开源的LSM tree的项目，为什么dgraph还要创建一个新的轮子呢？

答案是: 更好的性能。

dgraph开发一个新的基于LSM tree的数据库引擎badger是基于这篇论文： WiscKey: Separating Keys from Values
in SSD-conscious Storage, 这篇论文很新，也就是去年(2016年)发表的，这篇论文提出了一种新的设计，专门为SSD所优化，将key和value分别存储以减少I/O放大。论文是由斯康辛大学麦迪逊分校的Lanyue Lu等人完成，Lanyue Lu毕业于中国科大，现在就职于Google。论文中提供了一个测试数据，加载数据库要比LevelDB快2.5–111倍，随机lookup要快1.6-14倍。

dgraph实现的这个产品叫做 Badger, 对于随机读，Badger至少要比RocksDB快3.5倍，对于值的大小从128B到16KB，数据加载Badger比LevelDB快0.86 - 14倍。

Badger分离的key和value,只有key存在LSM tree中， value存在WAL中，叫做value log。通常情况下，key比较小，所以LSM tree比较小，当获取value值的时候，再从SSD存储中读取。现在的SSD，比如Samsung 960 Pro，对于4KB的数据块，可以提供44万的读操作/秒，这相当快了。

LSM tree最主要的性能消耗在于 compaction 过程。在compaction的时候，多个文件需要读进内存，排序，然后再写回。每个文件都固定大小，如果文件中包含value, 文件大小会显著的增加，compaction会更频繁地发生。Badger不存储value，而是存储value的指针，如果每个键是16，每个value的指针是16 byte的话，一个64MB的文件就可以存储200万个键值对。

因为Badger不存储value，而是存储value的指针,compaction的时候只移动key和value指针，对于 1KB大小的value和16 byte的key，写放大为(10*16 + 1024)/(16 + 1024) ~ 1.14。

因为Badger的LSM tree比较小，所以它的层级相对于普通的LSM tree要少，这也意味着查找会更少。例如1KB大小的value, 22byte的key, 7500万条数据的原始大小是 72GB,但是对于Badger的LSM tree来说，只需要1.7G,完全可以放在内存中，这也是Badger的随机读比RocksDB快3.5的原因。

容错

LSM tree将所有的更新写入到内存中的memtable，一旦填满， memtable回替换为immutable memtable，最终回写入到磁盘中的level0中。

如果机器宕机，内存表中的数据就会丢失。k/v数据库一般使用write-ahead log (WAL)来处理这个问题，Badger也一样。Badger会记录memtable的最后一个值的指针，当恢复的时候，它可以replay和重建LSM tree。

文件大小

Badger还使用技术对value值进行压缩，以便是log文件更小。

对于1KB的value,16 byte的key, 7500万条数据，RocksDB的 LSM tree 是 50GB， Badger的 value log文件是74GB(未压缩)， LSM tree 是 1.7GB。

和RocksDB的Benchmark比较：

使用

Badger使用起来超级简单，配置参数页不多，而且提供了默认的配置参数。

下面的代码是读写查和便利的代码，所有的操作都是在事务中完成的， Badger的事物是基于MVCC实现的。

100

101

102

103

104

105

106

package main

import (

"fmt"

"log"

"github.com/dgraph-io/badger"

)

func main() {

opts := badger.DefaultOptions

opts.Dir = "./data"

opts.ValueDir = "./data"

db, err := badger.Open(&opts)

if err != nil {

log.Fatal(err)

}

defer db.Close()

// set

err = db.Update( func(txn *badger.Txn) error {

err := txn.Set([] byte( "answer"), [] byte( "42"), 0)

return err

})

if err != nil {

panic(err)

}

// get

err = db.View( func(txn *badger.Txn) error {

item, err := txn.Get([] byte( "answer"))

if err != nil {

return err

}

val, err := item.Value()

if err != nil {

return err

}

fmt.Printf( "The answer is: %s\n", val)

return nil

})

if err != nil {

panic(err)

}

// iterate

err = db.View( func(txn *badger.Txn) error {

opts := badger.DefaultIteratorOptions

opts.PrefetchSize = 10

it := txn.NewIterator(opts)

for it.Rewind(); it.Valid(); it.Next() {

item := it.Item()

k := item.Key()

v, err := item.Value()

if err != nil {

return err

}

fmt.Printf( "key=%s, value=%s\n", k, v)

}

return nil

})

if err != nil {

panic(err)

}

// Prefix scans

db.View( func(txn *badger.Txn) error {

it := txn.NewIterator(badger.DefaultIteratorOptions)

prefix := [] byte( "ans")

for it.Seek(prefix); it.ValidForPrefix(prefix); it.Next() {

item := it.Item()

k := item.Key()

v, err := item.Value()

if err != nil {

return err

}

fmt.Printf( "key=%s, value=%s\n", k, v)

}

return nil

})

if err != nil {

panic(err)

}

// iterate keys

err = db.View( func(txn *badger.Txn) error {

opts := badger.DefaultIteratorOptions

opts.PrefetchValues = false

it := txn.NewIterator(opts)

for it.Rewind(); it.Valid(); it.Next() {

item := it.Item()

k := item.Key()

fmt.Printf( "key=%s\n", k)

}

return nil

})

// delete

err = db.Update( func(txn *badger.Txn) error {

return txn.Delete([] byte( "answer"))

})

if err != nil {

panic(err)

}

参考文档

https://blog.dgraph.io/post/badger/
https://www.slideshare.net/ssuser7e134a/log-structured-merge-tree
https://blog.dgraph.io/post/badger/