消息队列面试解析系列- 数据压缩

Posted 2021-04-26 JavaEdge

点击上方蓝色字关注我们！

1 数据压缩意义

Kafka使用数据压缩，最高可提升约几十倍吞吐量。数据压缩不仅可节省存储空间，还可用于提升网络传输性能。这种使用压缩提升系统性能的方法，不仅在MQ使用，日常开发也可。比如传输大量数据或要在磁盘、数据库中存储较大数据，这些情况下，都可考虑使用数据压缩提升性能，还能节省网络带宽和存储空间。

2 数据压缩适用场景

进程间通过网络传输数据是不是需要压缩？

• 不压缩直接传输耗时：传输未压缩数据的耗时

• 使用数据压缩耗时：压缩耗时 + 传输压缩数据耗时 + 解压耗时
  压缩快还是不压缩快呢？
  不好说。影响因素多，比如数据压缩率、网络带宽、收发两端服务器的繁忙度。

压缩和解压的操作都是计算密集型操作。如果你的应用处理业务逻辑就需耗费大量CPU资源，就不太适合再压缩解压。

若系统瓶颈是磁盘IO性能，CPU资源又闲，这就非常适合在把数据写入磁盘前先压缩。
但若系统读写比严重失调，要考虑每读次数据就解压次是不是划算。

压缩的本质是资源置换，即时间换空间或CPU资源换存储资源。

就像木桶理论，每个系统都有性能瓶颈资源，可能磁盘IO、网络带宽、CPU。
若使用压缩，能用长板来换些短板，那总体上就能提升性能，这就划算。
若用压缩后，短板更短，就不划算。

只有通过性能测试，确认数据压缩可提升系统性能，就需选择合适压缩算法了。

3 压缩算法抉择

压缩算法可以分为

• 有损压缩
  主要用来压缩音视频，它压缩之后会丢失信息

• 无损压缩
  这讨论都是无损压缩，即数据经过压缩和解压过程后，与压缩前相比100%相同。

数据为什么可被压缩呢？各种各样压缩算法又怎么压缩数据的？

举个极端例子：

00000000000000000000

人肉压缩下：

20个0

20个字符就被压缩成4字符，且可无损还原。

常用压缩算法：ZIP，GZIP，SNAPPY，LZ4，XZ。
选择时考虑数据的压缩率和压缩耗时。一般压缩率越高，压缩耗时越高。

• 若要高性能，可选择压缩速度快的LZ4

• 要更高压缩比，考虑GZIP或压缩率更高的XZ

压缩样本对压缩速度和压缩比的影响也较大，同样大小的一段数字和一段新闻的文本，即使用相同压缩算法，压缩率和压缩时间差异也较大。
所以，有时在选择压缩算法前，用系统样例业务数据做个测试，帮你找到最合适压缩算法。

最经典的压缩算法：哈夫曼编码。

4 压缩分段选型

大部分压缩算法区别主要是，对数据进行编码的算法，压缩的流程和压缩包的结构大致一样。
而在压缩过程中，你最需要了解的就是如何选择合适的压缩分段。

压缩时，给定的被压缩数据它必须有确定长度，或是有头有尾的，不能是个无限数据流，若要对流数据压缩，必须把流数据划分成多帧，一帧帧分段压缩。

主要因为压缩算法在压缩前，一般都需对被压缩数据从头到尾扫描：确定如何对数据划分和编码。

• 一般原则：
  重复次数多、占用空间大的内容，使用尽量短的编码，这样压缩率会更高。

被压缩数据长度越大，重码率更高，压缩比也越高。
比如这篇文章，可能出现几十次“压缩”，将整篇文章压缩，这词重复率几十次，但按照每个自然段来压缩，每段中这词重复率只有二三次。显然全文压缩压缩率高于分段压缩。

分段并非越大越好，超过一定长度后，再增加长度对压缩率贡献不大了。
过大的分段长度在解压时，还有更多解压浪费。
比如，一个1MB大小的压缩文件，即使你只是需要读其中很短的几个字节，也不得不把整个文件全部解压缩，造成很大的解压浪费。

所以要根据业务，选择合适压缩分段，在压缩率、压缩速度、解压浪费间找到平衡点。

确定数据划分和压缩算法后，就可压缩了，压缩过程就是用编码替换原始数据。
压缩后的压缩包是由这编码字典和用编码替换后的数据组成。

这就是数据压缩过程。解压时，先读取编码字典，然后按字典把压缩编码还原成原始数据即可。

5 Kafka 消息压缩流程

首先可以配置Kafka是否开启压缩，支持配置使用哪种压缩算法。
因为不同场景是否需要开启压缩，选择哪种压缩算法都不能一概而论。
所以Kafka将选择权交给使用者。

在开启压缩时，Kafka选择一批消息一起压缩，每一个批消息就是一个压缩分段。使用者也可以通过参数来控制每批消息的大小。

在Kafka中，生产者生成一个批消息发给服务端，在服务端中是不会拆分批消息的。那按批压缩，意味在服务端也不用对这批消息进行解压，可整批直接存储，然后整批发给消费者。最后，批消息由消费者解压。
在服务端不用解压，就不会耗费服务端CPU，同时还能获得压缩后，占用传输带宽小，占用存储空间小。
使用Kafka时，如果生产者和消费者的CPU不是特别吃紧，开启压缩后，可节省网络带宽和服务端的存储空间，提升总体的吞吐量，一般都是个不错的选择。

Kafka在生产者上，对每批消息进行压缩，批消息在服务端不解压，消费者在收到消息之后再进行解压。Kafka的压缩和解压都是在客户端完成的。

6 RocketMQ 消息压缩源码

• 默认压缩大于4K的消息（可配置）
  
  

压缩算法是zip，默认级别5（可配置）

也是客户端做解压缩工作，服务端只存储。

private boolean tryToCompressMessage(final Message msg) {         if (msg instanceof MessageBatch) {             // 当前不支持批量消息的压缩 return false; }  byte[] body = msg.getBody();  if (body != null) {  if (body.length >= this.defaultMQProducer.getCompressMsgBodyOverHowmuch()) { try { byte[] data = UtilAll.compress(body, zipCompressLevel); if (data != null) { msg.setBody(data);                         return true;      } } catch (IOException e) { log.error("tryToCompressMessage exception", e);       log.warn(msg.toString());       } }  }          return false;}

DefaultLitePullConsumerImpl#pullSyncImpl会调用PullAPIWrapper#processPullResult，会为压缩消息进行解压缩。
RocketMQ的压缩机制也是Producer压缩，Broker传输，Consumer解压缩，
不同的是kaffka的压缩是基于一批批消息，对于CPU空闲较多的场景下会有更大的吞吐提升。

7 总结

一直以来，常见算法都是空间换时间，但在MQ和一些IO密集型应用中还有CPU计资源换网络带宽/磁盘IO。
数据压缩本质是CPU资源换存储资源，或用压缩解压的时间换取存储的空间。

在选择压缩算法的时候，需综合考虑压缩时间和压缩率两个因素，被压缩数据的内容也是影响压缩时间和压缩率的重要因素。
必要时可先用业务数据做一个压缩测试，这样有助于选择最合适的压缩算法。

另外影响压缩率的重要因素是压缩分段，需根据业务情况选择一个合适分段，在保证压缩率前提下，尽量减少解压浪费。

往期推荐

好看的人才能点