lsm树通过将写入操作先缓存在内存的memtable中，再批量刷新到磁盘的sstables，并利用多层级结构和compaction机制，将随机写转化为顺序写，显著提升写入性能；其层次结构由内存中的memtable和immutable memtable，以及磁盘上分层的sstables组成，l0层允许数据重叠，而l1及以上层级确保sstables之间不重叠且有序，从而优化读取效率；读取时从内存逐级向下查找，结合布隆过滤器减少无效i/o，compaction在后台合并数据、消除冗余，保障数据有序性和空间回收；尽管如此，lsm树仍面临读放大（需查多个层级）、写放大（compaction导致重复写入）、空间放大（旧数据未及时清除）以及compaction资源消耗大等挑战，需通过策略调优在读写性能与资源开销间取得平衡，因此在写密集场景如nosql和日志系统中广泛应用。
LSM树，也就是日志结构合并树，本质上是一种为写入密集型工作负载优化的数据结构。它通过将所有写入操作首先追加到内存，然后周期性地批量刷新到磁盘，避免了传统B+树那种原地更新带来的随机写开销，从而在性能上实现了质的飞跃。
要理解LSM树，不妨把它想象成一个不断累积和整理的档案系统。我们所有的“新档案”（数据写入）都会先被扔进一个“临时收件箱”（内存中的MemTable）。这个收件箱是完全追加式的，写入速度飞快。当收件箱满了，或者达到某个阈值，它就会被“封存”起来，变成一个“不可修改的临时档案包”（Immutable MemTable），等待被“归档”到磁盘上。
磁盘上的归档过程则是由一系列“层级”（Levels）组成的。每个层级都包含多个“有序的档案卷宗”（SSTables，Sorted String Tables）。新刷下来的数据，会先进入最底层的L0。L0的SSTables可能相互重叠，数据不完全有序。但随着这些档案包被“合并”和“整理”（Compaction），它们会逐渐下沉到更深、更高级别的层级（L1, L2, …），在这些层级中，SSTables内部以及SSTables之间的数据通常是完全有序且不重叠的。这个合并整理的过程是LSM树的核心，它确保了数据最终的有序性和查询效率，同时又将随机写变成了顺序写。
LSM树为什么在现代数据库中如此受欢迎？
传统的关系型数据库，比如那些基于B+树的系统，在面对海量的、持续的写入请求时，经常会感到力不从心。B+树的特点是数据在磁盘上是高度有序的，每次更新或插入都需要找到准确的位置，然后进行原地修改，这会带来大量的随机I/O。想象一下，你有一本厚厚的字典，每次要添加一个新词或修改一个旧词的解释，你都得找到对应的页码，小心翼翼地插入或擦除。如果这样的操作每秒发生数万次，磁盘的磁头就会像个没头苍蝇一样到处乱窜，效率自然低下。
LSM树则走了另一条路。它彻底拥抱了“追加写入”的哲学。所有新数据都像日志一样追加到内存，然后一次性批量写入磁盘。这就像我们写日记，只管往后写，不用回头修改。磁盘的顺序写入速度远高于随机写入，这是硬件特性决定的。这种设计使得LSM树在写入吞吐量上有着天然的优势，尤其是在SSD普及的今天，顺序写入的优势更加明显。此外，它对删除操作的处理也很巧妙，不是真正删除数据，而是写入一个“墓碑标记”，实际的清理工作留给了后台的合并过程，进一步减少了写入时的开销。所以，对于像NoSQL数据库、日志系统、或者任何需要处理大量写入的场景，LSM树几乎成了标配，它能让你在数据爆炸式增长的时代，依然保持系统的响应能力。
LSM树的层次结构是如何支撑其高性能读写的？
LSM树的核心魅力就在于它的层次结构和伴随的“合并”（Compaction）机制。这个结构可以大致分为内存部分和磁盘部分。
内存部分通常包含：
MemTable (或称Active MemTable): 这是所有新写入数据的第一站。它是一个内存中的有序数据结构，比如跳表（Skip List）或B树，保证了写入的快速和查询的有序性。所有对数据的修改（插入、更新、删除）都先发生在这里。它完全是追加式的，所以写入速度极快。Immutable MemTable: 当MemTable达到预设大小后，它会“冻结”成为Immutable MemTable。此时，新的写入会切换到一个新的MemTable。Immutable MemTable是只读的，它会异步地被刷新到磁盘上，形成一个SSTable文件。这个异步刷新机制避免了写入操作被磁盘I/O阻塞。
磁盘部分则由一系列层级（Levels）组成，每个层级包含多个SSTable（Sorted String Table）文件：
BibiGPT-哔哔终结者
B站视频总结器-一键总结 音视频内容
28 查看详情 L0 (Level 0): 这是Immutable MemTable刷新下来的SSTable存放的地方。L0的SSTables有一个特点：它们之间的数据范围可能重叠。这意味着如果你要查找一个键，可能需要检查L0中的多个SSTable。L1, L2, … Ln (Higher Levels): 随着数据不断从L0向下合并，它们会进入更高层级的L1、L2等。在这些层级中，SSTable内部的数据是完全有序的，而且关键的是，同一层级内的SSTables之间的数据范围通常是不重叠的。这极大地优化了读取性能，因为查找一个键时，你只需要知道它可能存在于哪个SSTable中，然后直接去那个文件查找。
而支撑这一切高效运转的，是后台持续进行的Compaction（合并）操作。Compaction是LSM树的“垃圾回收”和“整理优化”机制。它会将一个或多个低层级的SSTable与高层级的SSTable合并，生成新的、更大、更优化的SSTable，并写入到更高层级。这个过程中会处理掉重复的键（只保留最新版本）、删除标记（真正移除被删除的数据），并优化数据的物理布局。Compaction虽然会消耗CPU和I/O资源，但它发生在后台，不会阻塞前台的写入操作，并且它确保了磁盘上的数据最终是紧凑且有序的，从而保证了读取效率。
读取数据时，LSM树会从MemTable开始查找，如果没找到，就去Immutable MemTable，接着是L0，然后是L1，直到找到数据或者遍历完所有层级。由于Compaction的存在，越是底层（高层级）的数据，其有序性和紧凑性越好，查找效率也越高。这种分层查找的策略，加上布隆过滤器（Bloom Filter）等辅助结构来快速判断键是否存在于某个SSTable中，使得LSM树在读写性能之间取得了精妙的平衡。
LSM树在实际应用中会遇到哪些挑战和权衡？
虽然LSM树在写入密集型场景下表现出色，但它并非没有缺点。任何工程设计都是一种权衡，LSM树也不例外。
一个显著的挑战是读放大（Read Amplification）。由于数据可能分散在MemTable、L0的多个SSTable以及后续的多个层级中，读取一个键可能需要查询多个地方。例如，一个键在MemTable中是最新版本，但在L0和L1中可能还有旧版本的数据。虽然布隆过滤器可以帮助快速排除不存在的SSTable，但如果布隆过滤器误报或数据确实存在多个版本，就需要进行多次磁盘I/O。这在某些读多写少的应用场景下，可能会导致读性能不如B+树。
接着是写放大（Write Amplification）。写入一个字节的数据，由于Compaction过程会不断地读取旧数据、合并、再写入新数据，实际写入到磁盘的总字节数可能会远远大于原始写入的字节数。这个比例就是写放大。例如，一个键在L0中被更新了，它会和L1的数据合并，然后写入L1，如果L1满了，又会和L2合并写入L2。这就意味着一份数据可能被多次写入。高写放大不仅消耗磁盘带宽，还会加速SSD的磨损，因为SSD的写入寿命是有限的。
还有空间放大（Space Amplification）。由于删除操作只是写入墓碑标记，旧数据并不会立即被物理删除，而是在Compaction过程中才会被清理。此外，不同层级之间的数据重叠，以及为了优化写入而牺牲的紧凑性，都可能导致实际占用的磁盘空间大于数据的逻辑大小。这就像你整理文件，旧的草稿和副本还在，直到你真正清理它们。
最后，Compaction的开销和调优也是一个复杂的问题。Compaction是LSM树的生命线，但它也需要消耗大量的CPU和I/O资源。如果Compaction跟不上写入的速度，磁盘上的SSTable文件会越积越多，导致读性能急剧下降，甚至影响写入。如何根据工作负载合理配置Compaction策略（如Level Compaction vs. Size-Tiered Compaction，以及各种参数的设置），是LSM树数据库运维中的一个核心挑战，需要深厚的经验和细致的监控。没有一劳永逸的方案，往往需要针对特定业务场景进行持续的观察和调整。
这些挑战并非不可克服，LSM树的设计者和使用者通过各种优化手段（如更智能的Compaction策略、布隆过滤器、前缀编码、块压缩等）来缓解这些问题。关键在于理解LSM树的内在机制和它所带来的权衡，从而选择最适合自己应用场景的数据存储方案。
以上就是什么是LSM树？LSM树的层次结构的详细内容，更多请关注创想鸟其它相关文章！
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 chuangxiangniao@163.com 举报，一经查实，本站将立刻删除。
发布者：程序猿，转转请注明出处：https://www.chuangxiangniao.com/p/230381.html
微信扫一扫 
支付宝扫一扫 
