MySQL单表数据量过千万优化

╰半夏微凉° 2023-01-11 08:39 159阅读 0赞

# 问题概述 #

使用阿里云rds for MySQL数据库（就是MySQL5.6版本），有个用户上网记录表6个月的数据量近2000万，保留最近一年的数据量达到4000万，查询速度极慢，日常卡死。严重影响业务。

问题前提：老系统，当时设计系统的人大概是大学没毕业，表设计和sql语句写的不仅仅是垃圾，简直无法直视。原开发人员都已离职，到我来维护，这就是传说中的维护不了就跑路，然后我就是掉坑的那个！！！

我尝试解决该问题，so，有个这个日志。

# 方案概述 #

*  方案一：优化现有mysql数据库。优点：不影响现有业务，源程序不需要修改代码，成本最低。缺点：有优化瓶颈，数据量过亿就玩完了。
 *  方案二：升级数据库类型，换一种100%兼容mysql的数据库。优点：不影响现有业务，源程序不需要修改代码，你几乎不需要做任何操作就能提升数据库性能，缺点：多花钱
 *  方案三：一步到位，大数据解决方案，更换newsql/nosql数据库。优点：没有数据容量瓶颈，缺点：需要修改源程序代码，影响业务，总成本最高。

以上三种方案，按顺序使用即可，数据量在亿级别一下的没必要换nosql，开发成本太高。三种方案我都试了一遍，而且都形成了落地解决方案。该过程心中慰问跑路的那几个开发者一万遍 :)

# 方案一详细说明：优化现有mysql数据库 #

跟阿里云数据库大佬电话沟通 and Google解决方案 and 问群里大佬，总结如下（都是精华）：

*  1.数据库设计和表创建时就要考虑性能
 *  2.sql的编写需要注意优化
 *  4.分区
 *  4.分表
 *  5.分库

1.数据库设计和表创建时就要考虑性能

mysql数据库本身高度灵活，造成性能不足，严重依赖开发人员能力。也就是说开发人员能力高，则mysql性能高。这也是很多关系型数据库的通病，所以公司的dba通常工资巨高。

设计表时要注意：

*  表字段避免null值出现，null值很难查询优化且占用额外的索引空间，推荐默认数字0代替null。
 *  尽量使用INT而非BIGINT，如果非负则加上UNSIGNED（这样数值容量会扩大一倍），当然能使用TINYINT、SMALLINT、MEDIUM\_INT更好。
 *  使用枚举或整数代替字符串类型
 *  尽量使用TIMESTAMP而非DATETIME
 *  单表不要有太多字段，建议在20以内
 *  用整型来存IP

索引

*  索引并不是越多越好，要根据查询有针对性的创建，考虑在WHERE和ORDER BY命令上涉及的列建立索引，可根据EXPLAIN来查看是否用了索引还是全表扫描
 *  应尽量避免在WHERE子句中对字段进行NULL值判断，否则将导致引擎放弃使用索引而进行全表扫描
 *  值分布很稀少的字段不适合建索引，例如"性别"这种只有两三个值的字段
 *  字符字段只建前缀索引
 *  字符字段最好不要做主键
 *  不用外键，由程序保证约束
 *  尽量不用UNIQUE，由程序保证约束
 *  使用多列索引时主意顺序和查询条件保持一致，同时删除不必要的单列索引

简言之就是使用合适的数据类型，选择合适的索引

# 选择合适的数据类型
    （1）使用可存下数据的最小的数据类型，整型 < date,time < char,varchar < blob
    （2）使用简单的数据类型，整型比字符处理开销更小，因为字符串的比较更复杂。如，int类型存储时间类型，bigint类型转ip函数
    （3）使用合理的字段属性长度，固定长度的表会更快。使用enum、char而不是varchar
    （4）尽可能使用not null定义字段
    （5）尽量少用text，非用不可最好分表
    # 选择合适的索引列
    （1）查询频繁的列，在where，group by，order by，on从句中出现的列
    （2）where条件中<，<=，=，>，>=，between，in，以及like 字符串+通配符（%）出现的列
    （3）长度小的列，索引字段越小越好，因为数据库的存储单位是页，一页中能存下的数据越多越好
    （4）离散度大（不同的值多）的列，放在联合索引前面。查看离散度，通过统计不同的列值来实现，count越大，离散程度越高：

2.sql的编写需要注意优化

*  使用limit对查询结果的记录进行限定
 *  避免select \*，将需要查找的字段列出来
 *  使用连接（join）来代替子查询
 *  拆分大的delete或insert语句
 *  可通过开启慢查询日志来找出较慢的SQL
 *  不做列运算：SELECT id WHERE age + 1 = 10，任何对列的操作都将导致表扫描，它包括数据库教程函数、计算表达式等等，查询时要尽可能将操作移至等号右边
 *  sql语句尽可能简单：一条sql只能在一个cpu运算；大语句拆小语句，减少锁时间；一条大sql可以堵死整个库
 *  OR改写成IN：OR的效率是n级别，IN的效率是log(n)级别，in的个数建议控制在200以内
 *  不用函数和触发器，在应用程序实现
 *  避免%xxx式查询
 *  少用JOIN
 *  使用同类型进行比较，比如用'123'和'123'比，123和123比
 *  尽量避免在WHERE子句中使用!=或<>操作符，否则将引擎放弃使用索引而进行全表扫描
 *  对于连续数值，使用BETWEEN不用IN：SELECT id FROM t WHERE num BETWEEN 1 AND 5
 *  列表数据不要拿全表，要使用LIMIT来分页，每页数量也不要太大

# 引擎 #

引擎

目前广泛使用的是MyISAM和InnoDB两种引擎：

1.  MyISAM
2.  MyISAM引擎是MySQL 5.1及之前版本的默认引擎，它的特点是：

*  不支持行锁，读取时对需要读到的所有表加锁，写入时则对表加排它锁
 *  不支持事务
 *  不支持外键
 *  不支持崩溃后的安全恢复
 *  在表有读取查询的同时，支持往表中插入新纪录
 *  支持BLOB和TEXT的前500个字符索引，支持全文索引
 *  支持延迟更新索引，极大提升写入性能
 *  对于不会进行修改的表，支持压缩表，极大减少磁盘空间占用

1.  InnoDB
2.  InnoDB在MySQL 5.5后成为默认索引，它的特点是：

*  支持行锁，采用MVCC来支持高并发
 *  支持事务
 *  支持外键
 *  支持崩溃后的安全恢复
 *  不支持全文索引

总体来讲，MyISAM适合SELECT密集型的表，而InnoDB适合INSERT和UPDATE密集型的表

> MyISAM速度可能超快，占用存储空间也小，但是程序要求事务支持，故InnoDB是必须的，故该方案无法执行，放弃！

3.分区

MySQL在5.1版引入的分区是一种简单的水平拆分，用户需要在建表的时候加上分区参数，对应用是透明的无需修改代码

对用户来说，分区表是一个独立的逻辑表，但是底层由多个物理子表组成，实现分区的代码实际上是通过对一组底层表的对象封装，但对SQL层来说是一个完全封装底层的黑盒子。MySQL实现分区的方式也意味着索引也是按照分区的子表定义，没有全局索引

用户的SQL语句是需要针对分区表做优化，SQL条件中要带上分区条件的列，从而使查询定位到少量的分区上，否则就会扫描全部分区，可以通过EXPLAIN PARTITIONS来查看某条SQL语句会落在那些分区上，从而进行SQL优化，我测试，查询时不带分区条件的列，也会提高速度，故该措施值得一试。

分区的好处是：

*  可以让单表存储更多的数据
 *  分区表的数据更容易维护，可以通过清楚整个分区批量删除大量数据，也可以增加新的分区来支持新插入的数据。另外，还可以对一个独立分区进行优化、检查、修复等操作
 *  部分查询能够从查询条件确定只落在少数分区上，速度会很快
 *  分区表的数据还可以分布在不同的物理设备上，从而搞笑利用多个硬件设备
 *  可以使用分区表赖避免某些特殊瓶颈，例如InnoDB单个索引的互斥访问、ext3文件系统的inode锁竞争
 *  可以备份和恢复单个分区

分区的限制和缺点：

*  一个表最多只能有1024个分区
 *  如果分区字段中有主键或者唯一索引的列，那么所有主键列和唯一索引列都必须包含进来
 *  分区表无法使用外键约束
 *  NULL值会使分区过滤无效
 *  所有分区必须使用相同的存储引擎

分区的类型：

*  RANGE分区：基于属于一个给定连续区间的列值，把多行分配给分区
 *  LIST分区：类似于按RANGE分区，区别在于LIST分区是基于列值匹配一个离散值集合中的某个值来进行选择
 *  HASH分区：基于用户定义的表达式的返回值来进行选择的分区，该表达式使用将要插入到表中的这些行的列值进行计算。这个函数可以包含MySQL中有效的、产生非负整数值的任何表达式
 *  KEY分区：类似于按HASH分区，区别在于KEY分区只支持计算一列或多列，且MySQL服务器提供其自身的哈希函数。必须有一列或多列包含整数值
 *  具体关于mysql分区的概念请自行google或查询官方文档，我这里只是抛砖引玉了。

> 我首先根据月份把上网记录表RANGE分区了12份，查询效率提高6倍左右，效果不明显，故：换id为HASH分区，分了64个分区，查询速度提升显著。问题解决！
> 
> 结果如下：PARTITION BY HASH (id)PARTITIONS 64
> 
> select count(*) from readroom\_website; --11901336行记录*
> 
> */* 受影响行数: 0 已找到记录: 1 警告: 0 持续时间 1 查询: 5.734 sec. */*
> 
> *select \* from readroom\_website where month(accesstime) =11 limit 10;*
> 
> */* 受影响行数: 0 已找到记录: 10 警告: 0 持续时间 1 查询: 0.719 sec. \*/

4.分表

分表就是把一张大表，按照如上过程都优化了，还是查询卡死，那就把这个表分成多张表，把一次查询分成多次查询，然后把结果组合返回给用户。

分表分为垂直拆分和水平拆分，通常以某个字段做拆分项。比如以id字段拆分为100张表： 表名为 tableName\_id%100

但：分表需要修改源程序代码，会给开发带来大量工作，极大的增加了开发成本，故：只适合在开发初期就考虑到了大量数据存在，做好了分表处理，不适合应用上线了再做修改，成本太高！！！而且选择这个方案，都不如选择我提供的第二第三个方案的成本低！故不建议采用。

5.分库

把一个数据库分成多个，建议做个读写分离就行了，真正的做分库也会带来大量的开发成本，得不偿失！不推荐使用。

# 方案二详细说明：升级数据库，换一个100%兼容mysql的数据库 #

mysql性能不行，那就换个。为保证源程序代码不修改，保证现有业务平稳迁移，故需要换一个100%兼容mysql的数据库。

1.  开源选择

*  tiDB https://github.com/pingcap/tidb
 *  Cubrid https://www.cubrid.org/
 *  开源数据库会带来大量的运维成本且其工业品质和MySQL尚有差距，有很多坑要踩，如果你公司要求必须自建数据库，那么选择该类型产品。

1.  云数据选择

*  阿里云POLARDB
 *  https://www.aliyun.com/product/polardb?spm=a2c4g.11174283.cloudEssentials.47.7a984b5cS7h4wH

> 官方介绍语：POLARDB 是阿里云自研的下一代关系型分布式云原生数据库，100%兼容MySQL，存储容量最高可达 100T，性能最高提升至 MySQL 的 6 倍。POLARDB 既融合了商业数据库稳定、可靠、高性能的特征，又具有开源数据库简单、可扩展、持续迭代的优势，而成本只需商用数据库的 1/10。

我开通测试了一下，支持免费mysql的数据迁移，无操作成本，性能提升在10倍左右，价格跟rds相差不多，是个很好的备选解决方案！

*  阿里云OcenanBase
 *  淘宝使用的，扛得住双十一，性能卓著，但是在公测中，我无法尝试，但值得期待
 *  阿里云HybridDB for MySQL (原PetaData)
 *  https://www.aliyun.com/product/petadata?spm=a2c4g.11174283.cloudEssentials.54.7a984b5cS7h4wH

> 官方介绍：云数据库HybridDB for MySQL （原名PetaData）是同时支持海量数据在线事务（OLTP）和在线分析（OLAP）的HTAP（Hybrid Transaction/Analytical Processing）关系型数据库。

我也测试了一下，是一个olap和oltp兼容的解决方案，但是价格太高，每小时高达10块钱，用来做存储太浪费了，适合存储和分析一起用的业务。

*  腾讯云DCDB
 *  https://cloud.tencent.com/product/dcdb\_for\_tdsql

> 官方介绍：DCDB又名TDSQL，一种兼容MySQL协议和语法，支持自动水平拆分的高性能分布式数据库——即业务显示为完整的逻辑表，数据却均匀的拆分到多个分片中；每个分片默认采用主备架构，提供灾备、恢复、监控、不停机扩容等全套解决方案，适用于TB或PB级的海量数据场景。

腾讯的我不喜欢用，不多说。原因是出了问题找不到人，线上问题无法解决头疼！但是他价格便宜，适合超小公司，玩玩。

# 方案三详细说明：去掉mysql，换大数据引擎处理数据 #

数据量过亿了，没得选了，只能上大数据了。

1.  开源解决方案
2.  hadoop家族。hbase/hive怼上就是了。但是有很高的运维成本，一般公司是玩不起的，没十万投入是不会有很好的产出的！
3.  2.云解决方案
4.  这个就比较多了，也是一种未来趋势，大数据由专业的公司提供专业的服务，小公司或个人购买服务，大数据就像水/电等公共设施一样，存在于社会的方方面面。
5.  国内做的最好的当属阿里云。
6.  我选择了阿里云的MaxCompute配合DataWorks，使用超级舒服，按量付费，成本极低。
7.  MaxCompute可以理解为开源的Hive，提供sql/mapreduce/ai算法/python脚本/shell脚本等方式操作数据，数据以表格的形式展现，以分布式方式存储，采用定时任务和批处理的方式处理数据。DataWorks提供了一种工作流的方式管理你的数据处理任务和调度监控。
8.  当然你也可以选择阿里云hbase等其他产品，我这里主要是离线处理，故选择MaxCompute，基本都是图形界面操作，大概写了300行sql，费用不超过100块钱就解决了数据处理问题。