快捷導(dǎo)航

MySQL單表千萬級數(shù)據(jù)處理的思路分享

更新時(shí)間：2021年06月05日 11:42:47 作者：一擼程猿

日前筆者需要處理MySQL單表千萬級的電子元器件數(shù)據(jù)，進(jìn)行數(shù)據(jù)歸類, 數(shù)據(jù)清洗以及器件參數(shù)處理，進(jìn)而得出國產(chǎn)器件與國外器件的替換兼容性數(shù)據(jù)，為電子工程師尋找國產(chǎn)替換件提供參考。

項(xiàng)目背景

在處理過程中，今天上午需要更新A字段，下午爬蟲組完成了規(guī)格書或圖片的爬取又需要更新圖片和規(guī)格書字段，由于單表千萬級深度翻頁會導(dǎo)致處理速度越來越慢。

select a,b,c from db.tb limit 10000 offset 9000000

但是時(shí)間是有限的，是否有更好的方法去解決這種問題呢？

改進(jìn)思路

是否有可以不需要深度翻頁也可以進(jìn)行數(shù)據(jù)更新的憑據(jù)？
是的，利用自增id列

觀察數(shù)據(jù)特征

此單表有自增id列且為主鍵，根據(jù)索引列查詢數(shù)據(jù)和更新數(shù)據(jù)是最理想的途徑。

select a,b, c from db.tb where id=9999999;
update db.tb set a=x where id=9999999;

多進(jìn)程處理

每個(gè)進(jìn)程處理一定id范圍內(nèi)的數(shù)據(jù)，這樣既避免的深度翻頁又可以同時(shí)多進(jìn)程處理數(shù)據(jù)。
提高數(shù)據(jù)查詢速度的同時(shí)也提高了數(shù)據(jù)處理速度。
下面是我編寫的任務(wù)分配函數(shù)，供參考：

def mission_handler(all_missions, worker_mission_size):
    """
    根據(jù)總?cè)蝿?wù)數(shù)和每個(gè)worker的任務(wù)數(shù)計(jì)算出任務(wù)列表, 任務(wù)列表元素為(任務(wù)開始id, 任務(wù)結(jié)束id)。
    例: 總?cè)蝿?wù)數(shù)100個(gè)，每個(gè)worker的任務(wù)數(shù)40， 那么任務(wù)列表為：[(1, 40), (41, 80), (81, 100)]
    :param all_missions: 總?cè)蝿?wù)數(shù)
    :param worker_mission_size: 每個(gè)worker的最大任務(wù)數(shù)
    :return: [(start_id, end_id), (start_id, end_id), ...]
    """
    worker_mission_ids = []
    current_id = 0
    while current_id <= all_missions:
        start_id = all_missions if current_id + 1 >= all_missions else current_id + 1
        end_id = all_missions if current_id + worker_mission_size >= all_missions else current_id + worker_mission_size
        if start_id == end_id:
            if worker_mission_ids[-1][1] == start_id:
                break
        worker_mission_ids.append((start_id, end_id))
        current_id += worker_mission_size

    return worker_mission_ids

假設(shè)單表id最大值為100，然后我們希望每個(gè)進(jìn)程處理20個(gè)id，那么任務(wù)列表將為：

>>> mission_handler(100, 40)
[(1, 40), (41, 80), (81, 100)]

那么，
進(jìn)程1將只需要處理id between 1 to 40的數(shù)據(jù)；
進(jìn)程2將只需要處理id between 41 to 80的數(shù)據(jù)；
進(jìn)程3將只需要處理id between 81 to 100的數(shù)據(jù)。

from concurrent.futures import ProcessPoolExecutor


def main():
    # 自增id最大值
    max_id = 30000000
    # 單worker處理數(shù)據(jù)量
    worker_mission_size = 1000000
    # 使用多進(jìn)程進(jìn)行處理
    missions = mission_handler(max_id, worker_mission_size)
    workers = []
    executor = ProcessPoolExecutor()
    for idx, mission in enumerate(missions):
        start_id, end_id = mission
        workers.append(executor.submit(data_handler, start_id, end_id, idx))


def data_handler(start_id, end_id, worker_id):
    pass

思路總結(jié)

避免深度翻頁進(jìn)而使用自增id進(jìn)行查詢數(shù)據(jù)和數(shù)據(jù)
使用多進(jìn)程處理數(shù)據(jù)

數(shù)據(jù)處理技巧

記錄處理成功與處理失敗的數(shù)據(jù)id，以便后續(xù)跟進(jìn)處理

# 用另外一張表記錄處理狀態(tài)
insert into db.tb_handle_status(row_id, success) values (999, 0);

循環(huán)體內(nèi)進(jìn)行異常捕獲，避免程序異常退出

def data_handler(start_id, end_id, worker_id):
    # 數(shù)據(jù)連接
    conn, cursor = mysql()
    current_id = start_id
        try:
            while current_id <= end_id:
                try:
                    # TODO 數(shù)據(jù)處理代碼
                    pass

                except Exception as e:
                    # TODO 記錄處理結(jié)果
                    # 數(shù)據(jù)移動(dòng)到下一條
                    current_id += 1
                    continue
                else:
                    # 無異常，繼續(xù)處理下一條數(shù)據(jù)
                    current_id += 1
        except Exception as e:
            return 'worker_id({}): result({})'.format(worker_id, False)
        finally:
            # 數(shù)據(jù)庫資源釋放
            cursor.close()
            conn.close()

        return 'worker_id({}): result({})'.format(worker_id, True)

更新數(shù)據(jù)庫數(shù)據(jù)盡量使用批量提交

sql = """update db.tb set a=%s, b=%s where id=%s"""
values = [
            ('a_value', 'b_value', 9999),
            ('a_value', 'b_value', 9998),
            ...
         ]
# 批量提交，減少網(wǎng)絡(luò)io以及鎖獲取頻率
cursor.executemany(sql, values)

以上就是MySQL單表千萬級數(shù)據(jù)處理的思路分享的詳細(xì)內(nèi)容，更多關(guān)于MySQL單表千萬級數(shù)據(jù)處理的資料請關(guān)注腳本之家其它相關(guān)文章！

您可能感興趣的文章: