这是我参与「第四届青训营 」笔记创作活动的第十四天

LSMT，即Log-Structured Merge-Tree，这是一个经典的数据结构，在大数据系统中有着非常广泛的应用。很多耳熟能详的经典系统，底层就是基于LSMT实现的。

背景

B+ Tree和B Tree的最大区别是将所有数据都放在了叶子节点，从而优化了批量插入和批量查询的效率，而优化的核心逻辑就是无论是什么存储介质，顺序存储的效率一定优于随机存储。

直观优化

既然随机读比顺序读性能差这么多，如果能发明一个数据结构能充分地利用上这一点该多好。

一个朴素的想法是将所有的读写都设计成顺序读写，比如日志系统，在写入时，总是在文件末尾追加，但如果要把读写都设计成顺序的，意味着在查找时，必须要读入文件中的所有内容。

这个思路应用最广的地方有两个：一个是数据库日志，在数据库执行写入或修改操作的时候，把所有操作都记录的binlog；还有一处是消息中间件，如Kafka。

但在复杂的增删改查场景中，尤其是涉及到批量读写场景，简单的文件顺序读写就不能满足需求了。当然我们可以用hash表或B+树，但这些复杂的数据结构都避免不了比较慢的随机读写操作，而我们希望随机读写尽量减少。这是基于这个原理，LSMT被发明出来了，LSMT使用了一种独特的机制，牺牲了一些读操作的性能，保证了写操作的能力，他能够让所有的操作顺序化，几乎完全避免了随机读写。

LSMT的增删改查

LSMT的实现原理

LSMT的原理很简单，本质上就是在SSTable基础上增加了一个MemTable，MemTable顾名思义，就是存放在内存中的数据结构，可以快速实现增删改查，比如红黑树，Skiplist都行。其次，我们还需要一个log文件，和数据库的binlog相当，记录数据发生的变化，用于服务器宕机时找回数据。

LSMT的整体架构如下：

查找

当要查找一个元素的时候，会先查找MemTable，因为他在内存中，不需要读文件，如果MemTable中没找到，就去一个一个SSTable来查找，由于SSTable也是顺序存储的，可以用二分法查找，所以查询速度会比较快。

但是，如果SSTable文件数量可能会很多，而且我们必须要顺序查找，所以当SSTable数多时，会影响查找速度。为了解决这个上网呢提，我们可以引入布隆过滤器进行优化：我们对每一个SSTable建立一个布隆过滤器，可以快速地判断元素是否在某一个SSTable中。布隆过滤器判断元素不存在是一定准确的，而判断存在可能会有一个很小的几率失误，但这个失误的几率是可以控制的额，我们可以设置合理的参数，使得失误率足够低。

增删改

除了查找外，增删改都发生在MemTable中，比如当我们要增加一个元素的时候，我们直接增加在Memtable中，而不是写入文件，这样保证了高性能。

修改和删除也一样，如果需要修改的元素刚好在MemTable中，那没什么好说的，我们直接进行修改，那如果不在MemTable中，我们如果先找到，再修改，免不了要做磁盘读写，会大大消耗性能，所以我们还在Memtable中进行操作，我们会插入这个元素，然后标记成修改或者删除。

所以我们可以把增删改这三个操作看成是添加，但这样会带来一个问题，会导致很快Memtable中就积累了大量的数据，而我们的内存资源也是有限的，不能无限增长，为了解决这个问题，需要定期将memtable种的内容存储到磁盘，存储成一个SSTable。这就是为什么要设计SSTable，SSTable是LSMT落盘产生的。

同样，由于我们不断地落盘，同样也会导致SSTable文件数量的增加，如前面分析，SSTable数量多，会影响我们的查询性能，所以不能放任SSTable无限制增加。再加上我们存储了许多修改和删除的信息，我们需要把这些信息落实。为了达成这点，我们需要定期将所有的SSTable合并，在合并的过程中，完成数据的删除及修改工作。换句话说，之前的删除、修改只是被记录下来，直到合并的时候才真正执行。