测试的结果在此处 本篇详解一下原理
设计背景
由于历史原因,线上库环境数据量及其庞大,很多千万级以上甚至过亿的表。目标是让N张互相关联的表 按照一张源表为基表,数据搬移归档 这里我们举例N为50 每张表数据5000W
最差性能sql进化客串
2表KeyName 字段意义 名称等相同 从bug01 表中取出前500条不在bug02 表中的数据
最差性能:
SELECT TOP 500 a.KeyName FROM bug01 a LEFT JOIN bug02 b on a.KeyName = b.KeyName WHERE (a.KeyName not in (select distinct b.KeyName From bug02)) ORDER BY a.KeyName asc
进化体在篇尾揭晓
详细设计
问题点:性能 安全 容错
流程篇 为何如此设计 在下文中会解释
step.1 源表数据过滤
这部分没什么好说的 根据大家自己的业务场景设定不同的过滤规则
step.2 源表数据副本
程序的入口点肯定是源表了,扩展表中的内容都是以源表为Key来展开。那么这个展开的过程如何来做。
首先确定一些概念,这50表中的层级关系如何。可能直接和源表key键关联的表只有10张。
例如我统计市内所有图书馆详细信息,那么我们以图书馆为源表。图书馆关联书架、地址、会员信息。那么这3中信息我们分为一级别表。
书架关联图书类别,地址关联街道信息,会员关联用户借阅信息,那么后面3者我们继续分为二级表,......按照场景继续扩展。
方案1:使用游标 循环源表 根据源表key值 处理和key相关的数据 假设我们没批次处理500跳源表数据
也就是根据图书馆ID,遍历所有节点。假设我们不分二级三级表,都是一级表 我们的insert操作次数是500*50。select操作同数据量
这个给谁肯定都不大乐意,而且如果再遍历2级表3级更难想象。
方案2:对源表key数据进行集合,存进变量,然后用in表达式。貌似可行。直接减少到1/500的操作次数。但是这里有个最恐怖的问题。
变量都有长度,例如varchar 最大长度不能超过65535。
方案3:将源表Key做成一个查询过滤池(相对于一级表 底层的sql where条件语句 下面会详细介绍一下) 相对于第二种方案,我们这种似乎又将操作数提高了。
不考虑层级的情况下,insert操作50。select操作50*2可以接受.
方案3扩展: 对于一张大表来说 操作50次也不是什么可以乐观的数字,并且这个50还有可能变成500,5000,50000。
更有一个问题就是,当你操作这500条的时候,可能会有数据干扰,你1秒前取得的这500条可不一定是1秒后的内容。
所以采取临时表策略。
CREATE TABLE #p ( OrderID varchar(50), primary key (OrderID) ); SET @temp_text = 'INSERT INTO #p '+@KeyText --PRINT @temp_text EXEC (@temp_text) SET @KeyText = 'SELECT OrderID FROM #p' --如果一级表关联的操作次数比较多那么可以访源表操作 以临时表取代物理表 SET @SubKeyText = 'select 一级表_A_被关联键 From 一级表_A with(nolock) where 一级表_A_关联源表键 in (' + @KeyText+')' CREATE TABLE #q ( OrderID varchar(50), primary key (OrderID) ); SET @temp_text = 'INSERT INTO #q '+@SubKeyText EXEC (@temp_text) SET @SubKeyText ='SELECT OrderID FROM #q' --如果一级表关联的操作次数不多可以直接生成数据过滤池 SET @SubKeyTextforA ='select 一级表_B_被二级关联键 From 一级表_B with(nolock) where 一级表_B_关联源表键 in (' + @KeyText+')' SET @SubKeyTextforB ='select 一级表_C_被二级关联键 From 一级表_C with(nolock) where 一级表_C_关联源表键 in (' + @KeyText+')' --如果存在更多层操作在此处可以继续关联资源过滤池 Demo只做到三层 SET @THKeyTextforA ='select 二级表_A_被三级关联键 From 二级表_A with(nolock) where 二级表_A_关联一级表键 in (' + @SubKeyTextforA+')'
--step.3 分表归档操作
这个环节的问题是安全 事务如何控制 事务的大小如何衡量 如何容错 以及如何将程序做得可扩展 可维护
大家根据业务场景 区分自己的批次范围 拿虫子这篇demo来说 50张千万级大表 如果是批次5000条以上 事务要放在内层处理 如果是5000条以下 可以放在最外层
事务的大小直接影响性能的波动
容错的方案大家也可以自己设计 虫子的程序员采用第三类表 异常表来重置 失败了就插入 下一个批次直接就过滤
--将错误的批次订单号入异常表 Insert into 异常表(@ExTable) SELECT OrderID FROM #p --@ExTable用来存放异常数据 如果当期批次出错 则将本次批次订单信息入库@ExTable下一批次则过滤这些数据再执行 SET @KeyText = 'SELECT TOP '+CAST(@SynSize AS VARCHAR(10))+' '+@Base_Key+' FROM +
'+@BaseTable+'+ WHERE '+@Base_Key+' not in (select '+@Base_Key+' From '+@ExTable+') '
如何让程序变的漂亮 可维护
我们在存储过程中同样可以使用面试对象的思想 只不过存储过程没有类这样的概念给我们 那么我们不妨自己设计
用什么 还是临时表
--一级 直接关联源表主键 或为二级被关联的主表 INSERT INTO #k VALUES ('一级表_A',@Base_Key,@KeyText,'') --一级表_A INSERT INTO #k VALUES ('一级表_B',@Base_Key,@KeyText,'') --一级表_B INSERT INTO #k VALUES ('一级表_C',@Base_Key,@KeyText,'') --一级表_C --二级 规则间接关联 --@SubKeyText相关 INSERT INTO #k VALUES ('二级表_A','二级表_A_关联一级键',@SubKeyText,'') --二级表_A INSERT INTO #k VALUES ('二级表_B','二级表_B_关联一级键',@SubKeyText,'') --二级表_B INSERT INTO #k VALUES ('二级表_C','二级表_C_关联一级键',@SubKeyText,'') --二级表_C --特殊处理 --自定义操作 INSERT INTO #k VALUES ('特殊表','特殊表关联键','自定义数据过滤方式','') --其他 自增列处理 --修改订单,及其取消修改订单状态历史表 INSERT INTO #k VALUES ('自增表',@Base_Key,@KeyText,'自定义字段')
--step.4 处理细节
游标循环临时表 针对每一张表操作一次
DECLARE CUR_ORDERHEDER INSENSITIVE CURSOR FOR SELECT TableName,KeyName,temptext,colname FROM #k OPEN CUR_ORDERHEDER FETCH CUR_ORDERHEDER INTO @Cur_Table,@Cur_Key,@Cur_W,@Cur_K WHILE @@FETCH_STATUS = 0 BEGIN EXECUTE P_Task_Sub_Synchronization @OutParam = @OutParam OUT, @OutMessage = @OutMessage OUT, @KeyText = @Cur_W,@Table= @Cur_Table,@Extension=@Extension,@IsDelSource=@IsDelSource,@KeyName=@Cur_Key,@ColName=@Cur_K --SET @OutMessage = @OutMessage+@OutMessage --PRINT @OutMessage IF @OutParam <> 0 BEGIN SET @OutMessage = @OutMessage + @Cur_Table +'操作失败' ROLLBACK TRAN --将错误的批次订单号入异常表 Insert into 异常表(@ExTable) SELECT OrderID FROM #p DROP TABLE #k DROP TABLE #p DROP TABLE #q RETURN END FETCH CUR_ORDERHEDER INTO @Cur_Table,@Cur_Key,@Cur_W,@Cur_K END ClOSE CUR_ORDERHEDER DEALLOCATE CUR_ORDERHEDER
--step.5 资源释放
--step.6 流程处理
这2个部分就不详细说了
最差性能sql进化过程
step.1 not in了 就别再distinc了 distinc和not in都是臭名昭著的角色 not in后+dinstinc画蛇添足而已
改后sql:
SELECT TOP 500 a.KeyName FROM bug01 a LEFT JOIN bug02 b on a.KeyName = b.KeyName
WHERE (a.KeyName not in (select b.KeyName From bug02))
ORDER BY a.KeyName asc
step.2 别名 别小看别名 用图来说话 原sql计划
改后sql:
SELECT TOP 500 a.KeyName FROM bug01 a LEFT JOIN bug02 b on a.KeyName = b.KeyName
WHERE (a.KeyName not in (select c.KeyName From bug02 c))
ORDER BY a.KeyName asc
step.3 何必要用外联 直接过滤不就得了 嘿嘿
改后sql:
SELECT TOP 500 a.KeyName FROM bug01 a
WHERE (a.KeyName not in (select c.KeyName From bug02 c))
ORDER BY a.KeyName asc
step.4 根据luofer同学的建议 再进化一次 直接EXCEPT
SELECT TOP 500 a.KeyName FROM bug01 a except
SELECT b.KeyName from bug02 b
本篇就讲到此处 欢迎大家讨论