作者 | wzy0623
责编 | 屠敏出品 | CSDN 博客前言

 

问题提出源表t_source结构如下：item_id int,created_time datetime,modified_time datetime,item_name varchar(20),other varchar(20)要求：

1. 源表中有100万条数据，其中有50万created_time和item_name重复。

2. 要把去重后的50万数据写入到目标表。

3. 重复created_time和item_name的多条数据，可以保留任意一条，不做规则限制。

实验环境Linux虚机：CentOS release 6.4；8G物理内存（MySQL配置4G）；100G机械硬盘；双物理CPU双核，共四个处理器；MySQL 8.0.16。建立测试表和数据

源表中有1000001条记录，去重后的目标表应该有500000条记录。
巧用索引与变量

 

1. 无索引对比测试（1）使用相关子查询

这个语句很长时间都出不来结果，只看一下执行计划吧。

主查询和相关子查询都是全表扫描，一共要扫描100万*100万数据行，难怪出不来结果。（2）使用表连接

这种方法用时14秒，查询计划如下：

• 内层查询扫描t_source表的100万行，建立临时表，找出去重后的最小item_id，生成导出表derived2，此导出表有50万行。

• MySQL会在导出表derived2上自动创建一个item_id字段的索引auto_key0。

• 外层查询也要扫描t_source表的100万行数据，在与导出表做链接时，对t_source表每行的item_id，使用auto_key0索引查找导出表中匹配的行，并在此时优化distinct操作，在找到第一个匹配的行后即停止查找同样值的动作。

（3）使用变量

这种方法用时13秒，查询计划如下：

• 最内层的查询扫描t_source表的100万行，并使用文件排序，生成导出表derived3。

• 第二层查询要扫描derived3的100万行，生成导出表derived2，完成变量的比较和赋值，并自动创建一个导出列f上的索引auto_key0。

• 最外层使用auto_key0索引扫描derived2得到去重的结果行。

与上面方法2比较，总的扫描行数不变，都是200万行。只存在一点微小的差别，这次自动生成的索引是在常量列 f 上，而表关联自动生成的索引是在item_id列上，所以查询时间几乎相同。至此，我们还没有在源表上创建任何索引。无论使用哪种写法，要查重都需要对created_time和item_name字段进行排序，因此很自然地想到，如果在这两个字段上建立联合索引，利用索引本身有序的特性消除额外排序，从而提高查询性能。2. 建立created_time和item_name上的联合索引对比测试（1）使用相关子查询

本次用时19秒，查询计划如下：

• 外层查询的t_source表是驱动表，需要扫描100万行。

• 对于驱动表每行的item_id，通过idx_sort索引查询出两行数据。

（2）使用表连接

本次用时13秒，查询计划如下：

和没有索引相比，子查询虽然从全表扫描变为了全索引扫描，但还是需要扫描100万行记录。因此查询性能提升并不是明显。（3）使用变量

本次用时13秒，查询计划与没有索引时的完全相同。可见索引对这种写法没有作用。能不能消除嵌套，只用一层查询出结果呢？（4）使用变量，并且消除嵌套查询

本次用时12秒，查询计划如下：

该语句具有以下特点：

• 消除了嵌套子查询，只需要对t_source表进行一次全索引扫描，查询计划已达最优。

• 无需distinct二次查重。

• 变量判断与赋值只出现在where子句中。

• 利用索引消除了filesort。

在MySQL 8之前，该语句是单线程去重的最佳解决方案。仔细分析这条语句，发现它巧妙地利用了SQL语句的逻辑查询处理步骤和索引特性。一条SQL查询的逻辑步骤为：

1. 执行笛卡尔乘积（交叉连接）

2. 应用ON筛选器（连接条件）

3. 添加外部行（outer join）

4. 应用where筛选器

5. 分组

6. 应用cube或rollup

7. 应用having筛选器

8. 处理select列表

9. 应用distinct子句

10. 应用order by子句

11. 应用limit子句

每条查询语句的逻辑执行步骤都是这11步的子集。拿这条查询语句来说，其执行顺序为：强制通过索引idx_sort查找数据行 -> 应用where筛选器 -> 处理select列表 -> 应用order by子句。为了使变量能够按照created_time和item_name的排序顺序进行赋值和比较，必须按照索引顺序查找数据行。这里的force index (idx_sort)提示就起到了这个作用，必须这样写才能使整条查重语句成立。否则，因为先扫描表才处理排序，因此不能保证变量赋值的顺序，也就不能确保查询结果的正确性。order by子句同样不可忽略，否则即使有force index提示，MySQL也会使用全表扫描而不是全索引扫描，从而使结果错误。索引同时保证了created_time,item_name的顺序，避免了文件排序。force index (idx_sort)提示和order by子句缺一不可，索引idx_sort在这里可谓恰到好处、一举两得。查询语句开始前，先给变量初始化为数据中不可能出现的值，然后进入where子句从左向右判断。先比较变量和字段的值，再将本行created_time和item_name的值赋给变量，按created_time、item_name的顺序逐行处理。item_name是字符串类型，(@b:=item_name)不是有效的布尔表达式，因此要写成(@b:=item_name) is not null。最后补充一句，这里忽略了“insert into t_target select * from t_source group by created_time,item_name;”的写法，因为它受“sql_mode='ONLY_FULL_GROUP_BY'”的限制。

 

利用窗口函数

 

MySQL 8中新增的窗口函数使得原来麻烦的去重操作变得很简单。

这个语句执行只需要12秒，而且写法清晰易懂，其查询计划如下：

该查询对t_source表进行了一次全表扫描，同时用filesort对表按分区字段created_time、item_name进行了排序。外层查询从每个分区中保留一条数据。因为重复created_time和item_name的多条数据中可以保留任意一条，所以oevr中不需要使用order by子句。从执行计划看，窗口函数去重语句似乎没有消除嵌套查询的变量去重好，但此方法实际执行是最快的。MySQL窗口函数说明参见“https://dev.mysql.com/doc/refman/8.0/en/window-functions.html”。

 

多线程并行执行

 

前面已经将单条查重语句调整到最优，但还是以单线程方式执行。能否利用多处理器，让去重操作多线程并行执行，从而进一步提高速度呢？比如我的实验环境是4处理器，如果使用4个线程同时执行查重SQL，理论上应该接近4倍的性能提升。1. 数据分片在生成测试数据时，created_time采用每条记录加一秒的方式，也就是最大和在最小的时间差为50万秒，而且数据均匀分布，因此先把数据平均分成4份。（1）查询出4份数据的created_time边界值

（2）查看每份数据的记录数，确认数据平均分布4份数据的并集应该覆盖整个源数据集，并且数据之间是不重复的。也就是说4份数据的created_time要连续且互斥，连续保证处理全部数据，互斥确保了不需要二次查重。实际上这和时间范围分区的概念类似，或许用分区表更好些，只是这里省略了重建表的步骤。2. 建立查重的存储过程有了以上信息我们就可以写出4条语句处理全部数据。为了调用接口尽量简单，建立下面的存储过程。

查询语句的执行计划如下：

MySQL优化器进行索引范围扫描，并且使用索引条件下推（ICP）优化查询。3. 并行执行下面分别使用shell后台进程和MySQL Schedule Event实现并行。（1）shell后台进程建立duplicate_removal.sh文件，内容如下：执行脚本文件

执行输出如下：

这种方法用时5秒，并行执行的4个过程调用分别用时为4.87秒、4.88秒、4.91秒、4.73秒：

可以看到，每个过程的执行时间均4.85，因为是并行执行，总的过程执行时间为最慢的4.91秒，比单线程速度提高了2.5倍。（2）MySQL Schedule Event

• 建立事件历史日志表

• 为每个并发线程创建一个事件

为了记录每个事件执行的时间，在事件定义中增加了操作日志表的逻辑，因为每个事件中只多执行了一条insert，一条update，4个事件总共多执行8条很简单的语句，对测试的影响可以忽略不计。执行时间精确到毫秒。

• 触发事件执行

该命令行顺序触发了4个事件，但不会等前一个执行完才执行下一个，而是立即向下执行。这可从命令的输出可以清除看到：

• 查看事件执行日志

国家认证的Python工程师有哪些能力要求？

https://edu.csdn.net/topic/python115?utm_source=csdn_bw

可以看到，每个过程的执行均为4.83秒，又因为是并行执行的，因此总的执行之间为最慢的5.3秒，优化效果和shell后台进程方式几乎相同。声明：本文为 CSDN 博客精选文章，版权归作者所有。原文：https://blog.csdn.net/wzy0623/article/details/97918038
【END】

物联网时代，隐私还有救吗？

如何在 FPGA 上实现双线性插值的计算？

吊打 IE、Firefox，谷歌 Chrome 十年封神记

沃尔玛也要发币了，Libra忙活半天为他人做了嫁衣？

华为高通5G华山论剑，一文看懂5G芯片背后的明争暗斗

做实验、修电脑、命题相亲……IT 大佬教你七夕如何撩妹！

自然语言处理十问！独家福利

七夕大礼包：26个AI学习资源送给你！

☞痛！为什么说李彦宏无法拯救百度？

点击阅读原文，输入关键词，即可搜索您想要的 CSDN 文章。

你点的每个“在看”，我都认真当成了喜欢