程序師世界是廣大編程愛好者互助、分享、學習的平台,程序師世界有你更精彩!
首頁
編程語言
C語言|JAVA編程
Python編程
網頁編程
ASP編程|PHP編程
JSP編程
數據庫知識
MYSQL數據庫|SqlServer數據庫
Oracle數據庫|DB2數據庫
 程式師世界 >> 數據庫知識 >> MYSQL數據庫 >> 關於MYSQL數據庫 >> mysql 超大數據/表管理技巧

mysql 超大數據/表管理技巧

編輯:關於MYSQL數據庫

如果你對長篇大論沒有興趣,也可以直接看看結果,或許你對結果感興趣。在實際應用中經過存儲、優化可以做到在超過9千萬數據中的查詢響應速度控制在1到20毫秒。看上去是個不錯的成績,不過優化這條路沒有終點,當我們的系統有超過幾百人、上千人同時使用時,仍然會顯的力不從心。

目錄:

    分區存儲
    優化查詢
    改進分區
    模糊搜索
    持續改進的方案

正文:

    分區存儲
    對於超大的數據來說,分區存儲是一個不錯的選擇,或者說這是一個必選項。對於本例來說,數據記錄來源不同,首先可以根據來源來劃分這些數據。但是僅僅這樣還不夠,因為每個來源的分區的數據都可能超過千萬。這對數據的存儲和查詢還是太大了。MySQL5.x以後已經比較好的支持了數據分區以及子分區。因此數據就采用分區+子分區來存儲。

    下面是基本的數據結構定義:

復制代碼 代碼如下:
        CREATE TABLE `tmp_sampledata` (
        `id` bigint(20) unsigned NOT NULL AUTO_INCREMENT,
        `username` varchar(32) DEFAULT NULL,
        `passwd` varchar(32) DEFAULT NULL,
        `email` varchar(64) DEFAULT NULL,
        `nickname` varchar(32) DEFAULT NULL,
        `siteid` varchar(32) DEFAULT NULL,
        `src` smallint(6) NOT NULL DEFAULT '0′,
        PRIMARY KEY (`id`,`src`)
        ) ENGINE=MyISAM AUTO_INCREMENT=95660181 DEFAULT CHARSET=gbk
        /*!50500 PARTITION BY LIST COLUMNS(src)
        SUBPARTITION BY HASH (id)
        SUBPARTITIONS 5
        (PARTITION pose VALUES IN (1) ENGINE = MyISAM,
        PARTITION p2736 VALUES IN (2) ENGINE = MyISAM,
        PARTITION p736736 VALUES IN (3) ENGINE = MyISAM,
        PARTITION p3838648 VALUES IN (4) ENGINE = MyISAM,
        PARTITION p842692 VALUES IN (5) ENGINE = MyISAM,
        PARTITION p7575 VALUES IN (6) ENGINE = MyISAM,
        PARTITION p386386 VALUES IN (7) ENGINE = MyISAM,
        PARTITION p62678 VALUES IN (8) ENGINE = MyISAM) */

    對於擁有分區及子分區的數據表,分區條件(包括子分區條件)中使用的數據列,都應該定義在primary key 或者 unique key中。詳細的分區定義格式,可以參考MySQL的文檔。上面的結構是第一稿的存儲方式(後文還將進行修改)。采用load data infile的方式加載,用時30分鐘加載8千萬記錄。感覺還是挺快的(bulk_insert_buffer_size=8m)。
    基本查詢優化
    數據裝載完畢後,我們測試了一個查詢:

復制代碼 代碼如下:
        mysql> explain select * from tmp_sampledata where id=9562468\G
        *************************** 1. row ***************************
        id: 1
        select_type: SIMPLE
        table: tmp_sampledata
        type: ref
        possible_keys: PRIMARY
        key: PRIMARY
        key_len: 8
        ref: const
        rows: 8
        Extra:
        1 row in set (0.00 sec)

    這是毋庸置疑的,通過id進行查詢是使用了主鍵,查詢速度會很快。但是這樣的做法幾乎沒有意義。因為對於終端用戶來說,不可能知曉任何的資料的id的。假如需要按照username來進行查詢的話:

復制代碼 代碼如下:
        mysql> explain select * from tmp_sampledata where username = ‘yourusername'\G
        *************************** 1. row ***************************
        id: 1
        select_type: SIMPLE
        table: tmp_sampledata
        type: ALL
        possible_keys: NULL
        key: NULL
        key_len: NULL
        ref: NULL
        rows: 74352359
        Extra: Using where
        1 row in set (0.00 sec)

        mysql> explain select * from tmp_sampledata where src between 1 and 7 and username = ‘yourusername'\G
        *************************** 1. row ***************************
        id: 1
        select_type: SIMPLE
        table: tmp_sampledata
        type: ALL
        possible_keys: NULL
        key: NULL
        key_len: NULL
        ref: NULL
        rows: 74352359
        Extra: Using where
        1 row in set (0.00 sec)

    那這個查詢就沒法用了。根本就沒人能等待一個上億表的全表搜索!這是我們就考慮是否給username創建一個索引,這樣肯定會提高查詢速度:

        create index idx_username on tmp_sampledata(username);

    這個創建索引的時間很久,似乎超過了數據裝載時間,不過好歹建好了。

復制代碼 代碼如下:
        mysql> explain select * from tmp_sampledata2 where username = ‘yourusername'\G
        *************************** 1. row ***************************
        id: 1
        select_type: SIMPLE
        table: tmp_sampledata2
        type: ref
        possible_keys: idx_username
        key: idx_username
        key_len: 66
        ref: const
        rows: 80
        Extra: Using where
        1 row in set (0.00 sec)

    和預期的一樣,這個查詢使用了索引,查詢速度在可接受范圍內。
    但是這帶來了另外一個問題:創建索引需要而外的空間!!當我們對username和email都創建索引時,空間的使用大幅度的提升!這同樣不是我們期望看到的(無奈的選擇?)。

    除了使用索引,並保證其在查詢中能使用到此索引外,分區的關鍵字段是一個很重要的優化因素,比如下面的這個例子:

復制代碼 代碼如下:
        mysql> explain select id from tsampledata where username='abcdef'\G
        *************************** 1. row ***************************
        id: 1
        select_type: SIMPLE
        table: tsampledata
        type: ref
        possible_keys: idx_sampledata_username
        key: idx_sampledata_username
        key_len: 66
        ref: const
        rows: 80
        Extra: Using where
        1 row in set (0.00 sec)

        mysql> explain select id from tsampledata where username='abcdef' and src in (2,3,4,5)\G
        *************************** 1. row ***************************
        id: 1
        select_type: SIMPLE
        table: tsampledata
        type: ref
        possible_keys: idx_sampledata_username
        key: idx_sampledata_username
        key_len: 66
        ref: const
        rows: 40
        Extra: Using where
        1 row in set (0.01 sec)

        mysql> explain select id from tsampledata where username='abcdef' and src in (2)\G
        *************************** 1. row ***************************
        id: 1
        select_type: SIMPLE
        table: tsampledata
        type: ref
        possible_keys: idx_sampledata_username
        key: idx_sampledata_username
        key_len: 66
        ref: const
        rows: 10
        Extra: Using where
        1 row in set (0.00 sec)

        mysql> explain select id from tsampledata where username='abcdef' and src in (2,3)\G
        *************************** 1. row ***************************
        id: 1
        select_type: SIMPLE
        table: tsampledata
        type: ref
        possible_keys: idx_sampledata_username
        key: idx_sampledata_username
        key_len: 66
        ref: const
        rows: 20
        Extra: Using where
        1 row in set (0.00 sec)

    同一個查詢語句在根據是否針對分區限定做查詢時,查詢成本相差很大:

        where username='abcdef'                                                    rows: 80
        where username='abcdef' and src in (2,3,4,5)            rows: 40
        where username='abcdef' and src in (2)                        rows: 10
        where username='abcdef' and src in (2,3)                    rows: 20

    從分析中看出,當根據src(分區表的分區字段)進行查詢限定時,被影響的數目(rows)在發生著變化。rows:80代表著需要對8個分區進行搜索。
    改進數據存儲:另一種分區格式
    既然在統計應用中,最多用的是通過username, email進行數據查詢,那麼在表存儲時,應該考慮使用username,email進行分區,而不是通過id。因此重新創建分區表,導入數據:

復制代碼 代碼如下:
        CREATE TABLE `tmp_sampledata` (
        `id` bigint(20) unsigned NOT NULL,
        `username` varchar(32) NOT NULL DEFAULT ”,
        `passwd` varchar(32) DEFAULT NULL,
        `email` varchar(64) NOT NULL DEFAULT ”,
        `nickname` varchar(32) DEFAULT NULL,
        `siteid` varchar(32) DEFAULT NULL,
        `src` smallint(6) NOT NULL DEFAULT '0′,
        primary KEY (`src`,`username`,`email`, `id`)
        ) ENGINE=MyISAM DEFAULT CHARSET=gbk
        PARTITION BY LIST COLUMNS(src)
        SUBPARTITION BY KEY (username,email)
        SUBPARTITIONS 10
        (PARTITION pose VALUES IN (1) ENGINE = MyISAM,
        PARTITION p2736 VALUES IN (2) ENGINE = MyISAM,
        PARTITION p736736 VALUES IN (3) ENGINE = MyISAM,
        PARTITION p3838648 VALUES IN (4) ENGINE = MyISAM,
        PARTITION p842692 VALUES IN (5) ENGINE = MyISAM,
        PARTITION p7575 VALUES IN (6) ENGINE = MyISAM,
        PARTITION p386386 VALUES IN (7) ENGINE = MyISAM,
        PARTITION p62678 VALUES IN (8) ENGINE = MyISAM)?;

    這個定義沒什麼問題,按照預期,它將根據primary key來進行數據表分區。但是這有一個非常非常嚴重的性能問題:數據在load data infile的時候,同時對數據進行索引創建。這大大延長了數據裝載時間,同樣是不可忍受的情況。上面這個例子,如果建表時啟用了 primary key 或者 unique key, 在我的測試系統上,load data infile執行了超過12小時。而下面這個:

復制代碼 代碼如下:
        CREATE TABLE `tmp_sampledata` (
        `id` bigint(20) unsigned NOT NULL,
        `username` varchar(32) NOT NULL DEFAULT ”,
        `passwd` varchar(32) DEFAULT NULL,
        `email` varchar(64) NOT NULL DEFAULT ”,
        `nickname` varchar(32) DEFAULT NULL,
        `siteid` varchar(32) DEFAULT NULL,
        `src` smallint(6) NOT NULL DEFAULT '0′
        ) ENGINE=MyISAM DEFAULT CHARSET=gbk
        PARTITION BY LIST COLUMNS(src)
        SUBPARTITION BY KEY (username,email)
        SUBPARTITIONS 10
        (PARTITION pose VALUES IN (1) ENGINE = MyISAM,
        PARTITION p2736 VALUES IN (2) ENGINE = MyISAM,
        PARTITION p736736 VALUES IN (3) ENGINE = MyISAM,
        PARTITION p3838648 VALUES IN (4) ENGINE = MyISAM,
        PARTITION p842692 VALUES IN (5) ENGINE = MyISAM,
        PARTITION p7575 VALUES IN (6) ENGINE = MyISAM,
        PARTITION p386386 VALUES IN (7) ENGINE = MyISAM,
        PARTITION p62678 VALUES IN (8) ENGINE = MyISAM)?;

    數據裝載僅僅用了5分鐘:
    mysql> load data infile ‘cvsfile.txt' into table tmp_sampledata fields terminated by ‘\t' escaped by ”;
    Query OK, 74352359 rows affected, 65535 warnings (5 min 23.67 sec)
    Records: 74352359 Deleted: 0 Skipped: 0 Warnings: 51267046

    So,所有的問題,又回到了2.上
    測試查詢中的模糊搜索
    對於創建好索引的大數據表,一般般的針對性的查詢,應該可以滿足需要。但是有些查詢可能不能通過索引來發揮效率,比如查詢以 163.com 結尾的郵箱:

        select … from … where email like ‘%163.com'

    即便數據針對 email 建立有索引,上面的查詢是用不到那個索引的。如果我們使用的是 oracle,那麼還可以建立一個反向索引,但是mysql不支持反向索引。所以如果發生類似的查詢,只有兩種方案可以:
        通過數據冗余,把需要的字段反轉一遍另外保存,並創建一個索引
        這樣上面的那個查詢可以通過 where email like ‘moc.361%' 來完成,但是這個成本(存儲、更新)太高昂了
        通過全文檢索fulltext來實現。不過mysql同樣在分區表上不支持fulltext(或許等待以後的版本吧。)
        自己做分詞fulltext
    沒有最終方案

            創建一個不含任何索引、鍵的分區表;
            導入數據;
            創建索引;

    因為創建索引要花很久時間,此處做了個小小調整,提高myisam索引的排序空間為1G(默認是8m):

        mysql> set myisam_sort_buffer_size=1048576000;
        Query OK, 0 rows affected (0.00 sec)

        mysql> create index idx_username_src on tmp_sampledata (username,src);
        Query OK, 74352359 rows affected (7 min 13.11 sec)
        Records: 74352359 Duplicates: 0 Warnings: 0

        mysql> create index idx_email_src on tmp_sampledata (email,src);
        Query OK, 74352359 rows affected (10 min 48.30 sec)
        Records: 74352359 Duplicates: 0 Warnings: 0

        mysql> create index idx_src_username_email on tmp_sampledata(src,username,email);
        Query OK, 74352359 rows affected (16 min 5.35 sec)
        Records: 74352359 Duplicates: 0 Warnings: 0

    實際應用中,此表可能不需要這麼多索引的,都建立一遍,只是為了展示一下創建的速度而已。
    實際應用中的效果
    存儲的問題暫時解決到這裡了,接下來經過了一系列的服務器參數調整以及查詢的優化,我只能做到在這個超過9千萬數據中的查詢響應速度控制在1到20毫秒。聽上去是個不錯的成績。但是當我們的系統有超過幾百個人同時使用時,仍然顯的力不從心。或許日後還有機會能更優化這個存儲與查詢。讓我慢慢期待吧。

  1. 上一頁:
  2. 下一頁:
Copyright © 程式師世界 All Rights Reserved