深入探索 Schemaless 写入：优化技术与实践

物联网应用常常需要收集大量的数据，用以支持智能控制、业务分析和设备监控等功能。然而，应用逻辑的更新或硬件的调整可能会导致数据采集项频繁变化，这是时序数据库（Time Series Database，TSDB）面临的一大挑战。

为了适应这种动态变化，TDengine 提供了一种无需预先定义表结构的 Schemaless 写入模式。这种模式允许开发者直接通过写入接口送入数据，系统会自动建立对应的数据存储结构。在数据结构需要调整时，Schemaless 模式也能自动添加新的数据列，确保所有数据都能被准确记录。如果大家想要详细了解 Schemaless 写入的主要处理逻辑、映射规则与变更处理等机制，可以进入 TDengine 官网技术文档直接查看。

TDengine 对 Schemaless 写入功能进行了深入优化，以提高其灵活性和效率。本文将介绍其中部分优化措施的详细过程和技术方法，帮助开发者更好地理解和利用这一功能，从而提升应用性能。同时，我们也希望这些分享能帮助开发人员在性能优化方面迈向新的高度。

性能优化流程

分析性能瓶颈在哪里？

通过分析下文中数据写入的火焰图，我们会发现 parser 部分和 insert 部分占用的耗时都很高，并且主要集中在 parseSmlKey、parseSmlValue、addChildTableDataPointsIntoSql、taos_query_a、buildDataPointSchema 几个函数中。

性能瓶颈如何解决？

针对上面火焰图分析的情景，对于每个函数，我们有两种方法来优化——要么去掉要么缩短。

如何去掉？能否去掉？

首先我们需要先详细了解现有的解析处理框架。下图是现有框架的处理流程图：

从图中我们能够发现存在一些不合理的地方，如下：

• 行协议解析析（Parser）

在处理数据时，系统会遍历每条记录，提取出测量值（measure）、标签（tag）以及列（col）的键值对，并将这些信息存储于定制的结构体中。此外，系统还会对每条记录中的标签键进行排序，并依照既定规则生成对应的子表名称。然而，此流程中对标签的解析、排序及子表名称生成的重复执行，增加了处理时间和计算复杂度。

• schema 处理

在获取测量值（measure）的架构元数据（schema meta）之后，系统会对该测量值下的每一条数据执行以下操作：遍历其标签（tag）和列（col），并检查现有架构是否需要更新，更新操作可能包含 create stable, add col, add tag, modify col, modify tag。

• insert 数据

当数据量小于 10 条时，系统将逐条构造 SQL 语句，并通过调用taos_query函数逐一插入数据。对于超过 10 条的数据集，系统将构建stmt结构体，并利用stmt接口批量插入数据。

• 一些关键的代码如下图。

（主要函数为 tscParseLine/parseSmlKvPairs/tscSmlInsert/buildDataPointSchemas/modifyDBSchemas/applyDataPointsWithSqlInsert 等）

详细代码请见如下链接：

• https://github.com/taosdata/TDengine/blob/2.6/src/client/src/tscParseLineProtocol.c
• https://github.com/taosdata/TDengine/blob/2.6/src/client/src/tscParseOpenTSDB.c

针对以上问题，我们首先可以从架构上面进行大的优化。

主要包括如下几个方面：

行协议解析

分析数据可以看出，相同的标签（tag）前缀通常保持一致，所以可以对数据的标签字符串进行预分组，将具有相同前缀的标签归入同一组。在每个分组内，只需对标签进行一次解析，减少重复解析的操作。

检查数据的顺序，如果顺序相同，则可以直接按照顺序进行数据绑定，避免使用哈希查找，从而减少计算量和提高处理速度。

schema 处理

提前在解析时判断是否需要变更架构（schema），检查是否存在列的增加或列长度的变更。如果需要变更，再走修改架构（modify schema）的逻辑。

insert 数据

数据构造直接在解析每行时实现，直接将数据绑定到最终的 STableDataCxt 结构中。这种做法可以避免在后续阶段再次进行数据绑定和二次拷贝。

改进数据写入方法，采用直接构造 BuildRow 的方式，避免使用 SQL 或 stmt 接口而产生二次解析。

一些关键的代码如下图（主要函数为smlParseInfluxString/smlParseTagKv/smlParseColKv/smlParseLineBottom/smlModifyDBSchemas/smlInsertData）

详细代码见如下链接：

• https://github.com/taosdata/TDengine/blob/3.0/source/client/src/clientSml.c
• https://github.com/taosdata/TDengine/blob/3.0/source/client/src/clientSmlLine.c
• https://github.com/taosdata/TDengine/blob/3.0/source/client/src/clientSmlTelnet.c
• https://github.com/taosdata/TDengine/blob/3.0/source/client/src/clientSmlJson.c

在架构优化过程中，我们还发现内存使用也可以进行优化。

在数据解析过程中，将数据转换为无架构（schemaless）格式时，对测量值（measure）、标签（tag）和列（col）进行了大量的内存分配和拷贝操作。这些操作虽然常见，但并非必要，存在优化空间：

• 在解析数据时，不直接进行数据的拷贝和内存分配。而是记录下每个数据项在原始数据中的指针位置和长度。
• 在数据需要最终写入数据库前，再根据这些记录的位置和长度信息，从原始数据中直接拷贝相关数据。

如下：

st,t1=3,t2=4,t3=t3 c1=3i64,c3="passit",c2=false,c4=4    1626006833639000000

1）t1/t2/t3/c1/c3/c2 全部 calloc，拷贝到新的内存

typedef struct {
char*    key;
uint8_t  type;
uint16_t length;
char*    value;
uint32_t fieldSchemaIdx;
} TAOS_SML_KV;

2）直接指针记录位置，避免内存分配拷贝

typedef struct {
char *measure;
char *tags;
char *cols;
char *timestamp;
char *measureTag;

int32_t measureLen;
int32_t measureTagsLen;
int32_t tagsLen;
int32_t colsLen;
int32_t timestampLen;

  SArray colArray;
} SSmlLineInfo;

如何缩短？

• 时间精度转换优化

直接寻址代替条件判断，注意溢出的处理。

if(fromPrecision == ){}
else if( fromPrecision == ){}
else {}
int64_t smlToMilli[3] = {3600000LL, 60000LL, 1000LL};
int64_t unit = smlToMilli[fromPrecision - TSDB_TIME_PRECISION_HOURS];
if (unit > INT64_MAX / tsInt64) {
return -1;
}
tsInt64 *= unit;

• Json 解析优化

因为写入的 Json 数据格式基本固定，所以可以提前计算出各个元素（metric, timestamp, value, tags）的偏移位置，直接偏移到相应位置处理。

[
{ 
"metric": "meter_current",
"timestamp" : 1346846400,
"value": 18,
"tags": {
"location": "上海",  
"id": "d1001"
    }
},
{}
]

• 判断逻辑优化

每次判断最大限度的减少信息熵，将概率最大的 if 条件放在前面判断。（i64 / u64 / i8 / u8 / true / L”” ）

if( str equals "i64"){}
else if( str equals "i32"){}
else if( str equals "u8"){}
···
if(str[0] equals "i"){}
else if(str[0] equals "u"){}
...

其他优化

• likely / unlikely

根据代码执行的概率，指导编译器优化指令流水线的加载顺序。

if(unlikely(len == 0 || (len == 1 && data[0] == '0'))){
return taosGetTimestampNs()/smlFactorNS[toPrecision];
}

程序日志频繁打印，也会导致性能下降。我们在测试中发现，每批的统计信息打印会导致耗时占用上升 10% 左右。

性能优化对比

在 TDengine 3.0 版本与 2.6 版本的对比中，可以看到，line 协议性能提升了 2.5 倍，telnet 提升了 2 倍，而 json 的提升接近 5 倍。

性能分析工具

火焰图

perf 工具

通过 perf top -p 111290 -g 分析，可以看到 CPU 占用率很高。

结语

我们在进行性能优化前，首先需全面了解系统的流程和架构，确保对其有深刻认识。性能优化应着重关注以下三个方面：

1. 架构评估：优秀的性能建立在合理且高效的架构之上。首先检查架构设计的合理性和效率，这是提升性能的基础。
2. 识别并解决性能瓶颈：在良好的架构基础上，应优先解决主要的性能瓶颈，逐步优化次要问题，以实现持续的性能提升。
3. 性能分析方法：利用火焰图分析各函数的调用耗时（宽度），对于一些看不到调用栈的地方可以添加日志打印每步骤的耗时，以精确地识别和分析性能瓶颈。

通过综合考虑 CPU、存储、网络、编译器及硬件等多个方面，并结合程序本身的特点，大家就可以实现有效的性能优化了。最后，希望本篇文章能够帮助到有需要的开发者，也欢迎大家体验 TDengine 的 Schemaless 写入性能。