前情提要
大约在2个月前我开发了一个ip查询接口，当时的需求只需要支持单个IP结果的查询即可，所以在选择上选用了es进行存储，v4和v6单独分索引，结果大概10ms左右就可以返回，需求顺利交付，但是随着业务的变化与增长，有另外一个同事过来说需要支持一下批量数据的查询，此时就出现了一个问题，另外一个同事的需求是一次查询至多1000个地址，并批量返回，这个情况对于es来说就有一些慢了，在起初接口提供给他的时候，接口经常出现超时，所以就促成了此次优化。
本次优化相关指标：
数据量：700万
查询要求：500ms完成至少1000个ip的结果返回
优化方案
初次尝试
其实初次尝试也没有什么比较好的方案，所以国际惯例，先优化代码。通过分析代码以及日志发现了几个问题：
1.日志中有非ip格式的数据传入，未做合法性校验导致pannic。
2.ip转换的时候会经过一个计算的过程，而这个过程是可以进行批量处理的。
3.索引过多（第一个版本分了3个索引），需要多次查询才能得到准确结果，这会多次去访问es增加了耗时。
第一个版本的伪代码如下：
// 1.接收IP数据
ipList := c.getParams("ipList")
// 2.传入转换
for ip in ipList {
transIp(ip)
}
// 3.1 查询第一个索引 找到对应的IpIndex
ipIndex := es.find(transIp)
// 3.2 查询第二个索引 通过ipIndex找到CityIndex
cityIndex := es.find(ipIndex)
// 3.3 查询第三个索引 通过cityIndex找到对应的城市
city := es.find(cityIndex)
通过统计三步查询成为耗时大户，占据大概100ms左右，此时若是单个Ip查询还凑合，如果是1000个一定会炸。
故第一步便是先修复代码里的逻辑错误：
1.增加合法性校验，避免第三方服务传入一些奇怪的字符导致服务pannic。
2.批量处理合成逻辑避免串行耗时。
3.合并索引，将取消IpIndex和CityIndex索引，将第一和第三个索引合并为一个，减少查询次数。
优化过后流程如下：
第一阶段的优化方案
此时已经基本解决了查询耗时的问题，为什么说基本呢，因为借助缓存，我们在第一次请求超时过后，线程仍然会继续执行下去，执行完成后会写入Redis，下一次再进行查询的时候，也就不会访问DB了，那么也就不会超时了，当时由于没有好的思路，所以暂时使用了这一比较挫的方案替代。
几天过后……
再次尝试
距离上次修改大概3周左右，在和前部门的一个组长聊到这个事情，他的第一反应就是数据库选型出了问题，此时为才恍然大悟，于是修改了之前的计划，决定替换掉Elastic Search使用MySQL来进行使用。
使用MySQL来进行优化
有了之前的经验，我迅速组织好了表结构（这里的结构是做过一次合并之后的索引的结构）大概结构如下：
TableName ip_db
id
IpIndex // 此处就是之前提到的IpIndex用于查询Index
IpMessage
……
这里为什么要单独强调IpIndex呢，因为这和我们的查询业务有关，Ip查询是通过IpIndex来找到对应的地址，那么这也告诉我们需要在IpIndex这个字段上添加索引了。接下来我们需要做的就是选择合适的索引进行添加。
索引选择
在选择索引之前，我先贴上这次查询的SQL
select * from ip_db where ipIndex <= xxxx order by ipIndex desc limit 1;
普通索引：普通索引可能会重复，查找到满足条件的第一个记录后，继续查找下个记录，直到碰到第一个不满足记录就返回。
唯一索引：不可重复，和主键一样，查到第一个满足条件的，就停止搜索。
二者性能差距忽略不计，但是我们的IpIndex是不可以重复的，所以我们必须选择唯一索引。
接下来就是选择数据结构，可供选择的数据结构有Hash和btree。
Hash索引一般用于精准查找性能极高（o(1)），无法支持范围查询。
Btree索引B-tree索引更适合进行范围查询，用于查询中的order by 操作。
综上看来，我们两种索引都可以选择，但是Btree，因为Btree支持范围查询，而我们的SQL也更多的是范围查询，其中的=意义不大，直接ipIndex相等的概率很小。
当然mysql的InnoDB中存在一种优化机制，我们称之为自适应Hash索引，当InnoDB注意到某些索引值被使用得非常频繁时，它会在内存中基于B-Tree索引之上再创建一个哈希索引，这样就让B-Tree索引也具有哈希索引的一些优点，比如快速的哈希查找。但这是一个完全自动的、内部的行为，用于无法控制，但用户可以选择完全关闭该动能。
最后的配置
create unique index ip_search_index
on ip_data.ip_db (ipIndex desc);
当然上述优化，我们同是结合数据库连接池，就完成了本次优化。
最后
经过优化之后，700w的数据访问单个ip查询在10μs左右，综合1000个ip查询耗时在100ms以内，优化前为5s-6s波动。总的来说本次优化所使用的技术不难，重要的事思考的过程，一步一步完成从单个ip10ms查询到单个ip10μs，同时能够承载1000个ip同时查询大大优化了用户体验，通过强化了容错性。
