在處理過程中，今天上午需要更新A字段，下午爬蟲組完成了規(guī)格書或圖片的爬取又需要更新圖片和規(guī)格書字段，由于單表千萬級深度翻頁會導致處理速度越來越慢。

select a,b,c from db.tb limit 10000 offset 9000000

但是時間是有限的，是否有更好的方法去解決這種問題呢？

是否有可以不需要深度翻頁也可以進行數(shù)據(jù)更新的憑據(jù)？是的，利用自增id列

此單表有自增id列且為主鍵，根據(jù)索引列查詢數(shù)據(jù)和更新數(shù)據(jù)是最理想的途徑。

select a,b, c from db.tb where id=9999999;update db.tb set a=x where id=9999999;多進程處理

每個進程處理一定id范圍內(nèi)的數(shù)據(jù)，這樣既避免的深度翻頁又可以同時多進程處理數(shù)據(jù)。提高數(shù)據(jù)查詢速度的同時也提高了數(shù)據(jù)處理速度。下面是我編寫的任務分配函數(shù)，供參考：

def mission_handler(all_missions, worker_mission_size): ''' 根據(jù)總?cè)蝿諗?shù)和每個worker的任務數(shù)計算出任務列表, 任務列表元素為(任務開始id, 任務結(jié)束id)。 例: 總?cè)蝿諗?shù)100個，每個worker的任務數(shù)40， 那么任務列表為：[(1, 40), (41, 80), (81, 100)] :param all_missions: 總?cè)蝿諗?shù) :param worker_mission_size: 每個worker的最大任務數(shù) :return: [(start_id, end_id), (start_id, end_id), ...] ''' worker_mission_ids = [] current_id = 0 while current_id <= all_missions:start_id = all_missions if current_id + 1 >= all_missions else current_id + 1end_id = all_missions if current_id + worker_mission_size >= all_missions else current_id + worker_mission_sizeif start_id == end_id: if worker_mission_ids[-1][1] == start_id:breakworker_mission_ids.append((start_id, end_id))current_id += worker_mission_size return worker_mission_ids

假設單表id最大值為100， 然后我們希望每個進程處理20個id，那么任務列表將為：

>>> mission_handler(100, 40)[(1, 40), (41, 80), (81, 100)]

那么，進程1將只需要處理id between 1 to 40的數(shù)據(jù)；進程2將只需要處理id between 41 to 80的數(shù)據(jù)；進程3將只需要處理id between 81 to 100的數(shù)據(jù)。

from concurrent.futures import ProcessPoolExecutordef main(): # 自增id最大值 max_id = 30000000 # 單worker處理數(shù)據(jù)量 worker_mission_size = 1000000 # 使用多進程進行處理 missions = mission_handler(max_id, worker_mission_size) workers = [] executor = ProcessPoolExecutor() for idx, mission in enumerate(missions):start_id, end_id = missionworkers.append(executor.submit(data_handler, start_id, end_id, idx))def data_handler(start_id, end_id, worker_id): pass思路總結(jié) 避免深度翻頁進而使用自增id進行查詢數(shù)據(jù)和數(shù)據(jù) 使用多進程處理數(shù)據(jù) 數(shù)據(jù)處理技巧

記錄處理成功與處理失敗的數(shù)據(jù)id，以便后續(xù)跟進處理

# 用另外一張表記錄處理狀態(tài)insert into db.tb_handle_status(row_id, success) values (999, 0);

循環(huán)體內(nèi)進行異常捕獲，避免程序異常退出

def data_handler(start_id, end_id, worker_id): # 數(shù)據(jù)連接 conn, cursor = mysql() current_id = start_idtry: while current_id <= end_id:try: # TODO 數(shù)據(jù)處理代碼 passexcept Exception as e: # TODO 記錄處理結(jié)果 # 數(shù)據(jù)移動到下一條 current_id += 1 continueelse: # 無異常，繼續(xù)處理下一條數(shù)據(jù) current_id += 1except Exception as e: return ’worker_id({}): result({})’.format(worker_id, False)finally: # 數(shù)據(jù)庫資源釋放 cursor.close() conn.close()return ’worker_id({}): result({})’.format(worker_id, True)

更新數(shù)據(jù)庫數(shù)據(jù)盡量使用批量提交

sql = '''update db.tb set a=%s, b=%s where id=%s'''values = [ (’a_value’, ’b_value’, 9999), (’a_value’, ’b_value’, 9998), ... ]# 批量提交，減少網(wǎng)絡io以及鎖獲取頻率cursor.executemany(sql, values)

以上就是MySQL單表千萬級數(shù)據(jù)處理的思路分享的詳細內(nèi)容，更多關于MySQL單表千萬級數(shù)據(jù)處理的資料請關注好吧啦網(wǎng)其它相關文章！