如何优化MySQL千万级大表

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。
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!!!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。
优化现有MySQL数据库数据库设计表字段避免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。
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。
使用多列索引时注意顺序和查询条件保持一致,同时删除不必要的单列索引。
使用可存下数据的最小的数据类型,整型 < date,time < char,varchar < blob*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。
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。
尽可能使用not null定义字段。
尽量少用text,非用不可最好分表。
查询频繁的列,在where,group by,order by,on从句中出现的列。
where条件中<,<=,=,>,>=,between,in,以及like 字符串+通配符(%)出现的列。
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。
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。
SQL编写使用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。
分区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。
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。
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。
分库升级数据库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。
如tiDB pingcap/tidb,Cubrid Open Source Database With Enterprise Features。
阿里云POLARDB,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。
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),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。
腾讯云DCDB,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。
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!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。
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。
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。