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
- '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))
**粗体** _斜体_ [链接](http://example.com) `代码` - 列表 > 引用
。你还可以使用@
来通知其他用户。