mysql海量数据表的归档

日常的业务系统，跟用户相关的操作数据，或者日志记录，往往会越来越多，而早期数据的查询需求没有那么强，就可以进行归档处理——作为冷数据保存，并从在线数据库中删除。

普通数据表归档

简单的数据归档很好实现，比如有这样一张表：

CREATE TABLE `operation_log` (
  `id` bigint(20) NOT NULL AUTO_INCREMENT,
  `create_date` date DEFAULT NULL,
  `user_id` int(11) DEFAULT NULL,
  `type` varchar(20) NOT NULL,
  `amount` decimal(20,8) NOT NULL,
  PRIMARY KEY (`id`),
  KEY `ix_date` (`create_date`),
  KEY `ix_type_date` (`type`,`create_date`)
) 

就可以按照时间查询，选出指定日期前的数据，保存后，再从数据库中删除。示例代码如下(python + sqlalchemy)：

# 已获取数据库连接connection，或者session

# 查出所有旧数据
records = connection.execute(’select * from operation_log where create_date < "2022-06-01"‘)

# 保存查出来的数据到文件，或者到冷备份数据库
# ......

# 删除已导出的数据
connection.execute(’delete from operation_log where create_date < "2022-06-01"‘)

海量数据表归档

但如果这个表中存放了海量数据，比如全表10亿条，结果集1千万条，显然就不能这样鲁莽的执行了：

1. 1千万条结果集都加载到应用服务器是很危险的，通常会撑爆内存
2. 'create_date'字段虽然有索引，查找速度显然也是不如主键的，

针对问题1，解决方案就是分段查询，每次迭代查出一批，处理一批，直到处理完所有符合条件的数据；针对问题2，可以利用主键id自增的特性（按记录生成顺序增长），把大部分查询，转化为以主键为条件。代码示例如下：

# 已获取数据库连接connection，或者session

BATCH_SIZE = 100000 # 设置批量数据为10万条
FINAL_DATE = datetime.date(2022,6,1)

records = connection.execute('select id from operation_log order by id limit 1')
batch_end_id = records[0]['id']  # 先把迭代id初始化为
batch_end_date = datetime.date(1980,1,1) # 设置一个很早的起始日期

while batch_end_date < FINAL_DATE:
    batch_end_id += BATCH_SIZE
    records = connection.execute('select * from operation_log where id<{}'.format(batch_end_id))
    
    for record in record:
        record_date = record['create_date']
        if batch_end_date < record_date:
            # 获取本次迭代最晚一条记录的时间
            batch_end_date = record_date
        if record_date < FINAL_DATE:
            # 保存查出来的数据到文件，或者到冷备份数据库
            # ......

    # 删除已导出的数据
    if batch_end_date >= FINAL_DATE:
        # 只有最后一次迭代，以date为条件，保证删除的数据不超过
        connection.execute('delete from operation_log where id<{} and create_date < "{}"'.format(batch_end_id, FINAL_DATE.strftime('%Y-%m-%d')))
        break
    else:
        # 正常迭代只有id作为查询条件，速度会快很多
        connection.execute('delete from operation_log where id<{}'.format(batch_end_id))