被問傻了：從MySQL讀取100w數(shù)據(jù)進(jìn)行處理，怎么做？

2024-08-12 09:43:42

默認(rèn)情況下，完整的檢索結(jié)果集會(huì)將其存儲(chǔ)在內(nèi)存中。在大多數(shù)情況下，這是最有效的操作方式，并且由于 MySQL 網(wǎng)絡(luò)協(xié)議的設(shè)計(jì)，因此更易于實(shí)現(xiàn)。

大數(shù)據(jù)量操作的場景大致如下：

數(shù)據(jù)遷移
數(shù)據(jù)導(dǎo)出
批量處理數(shù)據(jù)

在實(shí)際工作中當(dāng)指定查詢數(shù)據(jù)過大時(shí)，我們一般使用分頁查詢的方式一頁一頁的將數(shù)據(jù)放到內(nèi)存處理。但有些情況不需要分頁的方式查詢數(shù)據(jù)或分很大一頁查詢數(shù)據(jù)時(shí)，如果一下子將數(shù)據(jù)全部加載出來到內(nèi)存中，很可能會(huì)發(fā)生OOM(內(nèi)存溢出)；而且查詢會(huì)很慢，因?yàn)榭蚣芎馁M(fèi)大量的時(shí)間和內(nèi)存，去把數(shù)據(jù)庫查詢的結(jié)果封裝成我們想要的對象（實(shí)體類）。

舉例：在業(yè)務(wù)系統(tǒng)需要從 MySQL 數(shù)據(jù)庫里讀取 100w 數(shù)據(jù)行進(jìn)行處理，應(yīng)該怎么做？

做法通常如下：

常規(guī)查詢：一次性讀取 100w 數(shù)據(jù)到 JVM 內(nèi)存中，或者分頁讀取
流式查詢：建立長連接，利用服務(wù)端游標(biāo)，每次讀取一條加載到 JVM 內(nèi)存（多次獲取，一次一行）
游標(biāo)查詢：和流式一樣，通過 fetchSize 參數(shù)，控制一次讀取多少條數(shù)據(jù)（多次獲取，一次多行）

一、常規(guī)查詢

舉例：假設(shè)單表 100w 數(shù)據(jù)量，一般會(huì)采用分頁的方式查詢：

@Mapper
public interface BigDataSearchMapper extends BaseMapper<BigDataSearchEntity> {


    @Select('SELECT bds.* FROM big_data_search bds ${ew.customSqlSegment} ')
    Page<BigDataSearchEntity> pageList(@Param('page') Page<BigDataSearchEntity> page, @Param(Constants.WRAPPER) QueryWrapper<BigDataSearchEntity> queryWrapper);


}

注：該示例使用的 MybatisPlus。

該方式比較簡單，如果在不考慮 LIMIT 深分頁優(yōu)化情況下，估計(jì)你的數(shù)據(jù)庫服務(wù)器就噶皮了，或者你能等上幾十分鐘或幾小時(shí)，甚至幾天時(shí)間檢索數(shù)據(jù)。

二、流式查詢

流式查詢指的是查詢成功后不是返回一個(gè)集合而是返回一個(gè)迭代器，應(yīng)用每次從迭代器取一條查詢結(jié)果。流式查詢的好處是能夠降低內(nèi)存使用。

如果沒有流式查詢，我們想要從數(shù)據(jù)庫取 100w 條記錄而又沒有足夠的內(nèi)存時(shí)，就不得不分頁查詢，而分頁查詢效率取決于表設(shè)計(jì)，如果設(shè)計(jì)的不好，就無法執(zhí)行高效的分頁查詢。因此流式查詢是一個(gè)數(shù)據(jù)庫訪問框架必須具備的功能。

MyBatis 中使用流式查詢避免數(shù)據(jù)量過大導(dǎo)致 OOM ，但在流式查詢的過程當(dāng)中，數(shù)據(jù)庫連接是保持打開狀態(tài)的，因此要注意的是：

執(zhí)行一個(gè)流式查詢后，數(shù)據(jù)庫訪問框架就不負(fù)責(zé)關(guān)閉數(shù)據(jù)庫連接了，需要應(yīng)用在取完數(shù)據(jù)后自己關(guān)閉
必須先讀取（或關(guān)閉）結(jié)果集中的所有行，然后才能對連接發(fā)出任何其他查詢，否則將引發(fā)異常

MyBatis 流式查詢接口

MyBatis 提供了一個(gè)叫 org.apache.ibatis.cursor.Cursor 的接口類用于流式查詢，這個(gè)接口繼承了 java.io.Closeable 和 java.lang.Iterable 接口，由此可知：

Cursor 是可關(guān)閉的
Cursor 是可遍歷的

除此之外，Cursor 還提供了三個(gè)方法：

isOpen()：用于在取數(shù)據(jù)之前判斷 Cursor 對象是否是打開狀態(tài)。只有當(dāng)打開時(shí) Cursor 才能取數(shù)據(jù)
isConsumed()：用于判斷查詢結(jié)果是否全部取完
getCurrentIndex()：返回已經(jīng)獲取了多少條數(shù)據(jù)

使用流式查詢，則要保持對產(chǎn)生結(jié)果集的語句所引用的表的并發(fā)訪問，因?yàn)槠洳樵儠?huì)獨(dú)占連接，所以必須盡快處理。

為什么要用流式查詢？

如果有一個(gè)很大的查詢結(jié)果需要遍歷處理，又不想一次性將結(jié)果集裝入客戶端內(nèi)存，就可以考慮使用流式查詢。

分庫分表場景下，單個(gè)表的查詢結(jié)果集雖然不大，但如果某個(gè)查詢跨了多個(gè)庫多個(gè)表，又要做結(jié)果集的合并、排序等動(dòng)作，依然有可能撐爆內(nèi)存；詳細(xì)研究了sharding-sphere的代碼不難發(fā)現(xiàn)，除了group by與order by字段不一樣之外，其他的場景都非常適合使用流式查詢，可以最大限度的降低對客戶端內(nèi)存的消耗。

三、游標(biāo)查詢

對大量數(shù)據(jù)進(jìn)行處理時(shí)，為防止內(nèi)存泄漏情況發(fā)生，也可以采用游標(biāo)方式進(jìn)行數(shù)據(jù)查詢處理。這種處理方式比常規(guī)查詢要快很多。

當(dāng)查詢百萬級的數(shù)據(jù)的時(shí)候，還可以使用游標(biāo)方式進(jìn)行數(shù)據(jù)查詢處理，不僅可以節(jié)省內(nèi)存的消耗，而且還不需要一次性取出所有數(shù)據(jù)，可以進(jìn)行逐條處理或逐條取出部分批量處理。一次查詢指定 fetchSize 的數(shù)據(jù)，直到把數(shù)據(jù)全部處理完。

Mybatis 的處理加了兩個(gè)注解：@Options 和 @ResultType

@Mapper
public interface BigDataSearchMapper extends BaseMapper<BigDataSearchEntity> {


    // 方式一 多次獲取，一次多行
    @Select('SELECT bds.* FROM big_data_search bds ${ew.customSqlSegment} ')
    @Options(resultSetType = ResultSetType.FORWARD_ONLY, fetchSize = 1000000)
    Page<BigDataSearchEntity> pageList(@Param('page') Page<BigDataSearchEntity> page, @Param(Constants.WRAPPER) QueryWrapper<BigDataSearchEntity> queryWrapper);
    
    // 方式二 一次獲取，一次一行
    @Select('SELECT bds.* FROM big_data_search bds ${ew.customSqlSegment} ')
    @Options(resultSetType = ResultSetType.FORWARD_ONLY, fetchSize = 100000)
    @ResultType(BigDataSearchEntity.class)
    void listData(@Param(Constants.WRAPPER) QueryWrapper<BigDataSearchEntity> queryWrapper, ResultHandler<BigDataSearchEntity> handler);


}

@Options

ResultSet.FORWORD_ONLY：結(jié)果集的游標(biāo)只能向下滾動(dòng)
ResultSet.SCROLL_INSENSITIVE：結(jié)果集的游標(biāo)可以上下移動(dòng)，當(dāng)數(shù)據(jù)庫變化時(shí)，當(dāng)前結(jié)果集不變
ResultSet.SCROLL_SENSITIVE：返回可滾動(dòng)的結(jié)果集，當(dāng)數(shù)據(jù)庫變化時(shí)，當(dāng)前結(jié)果集同步改變
fetchSize：每次獲取量

@ResultType

@ResultType(BigDataSearchEntity.class)：轉(zhuǎn)換成返回實(shí)體類型

注意：返回類型必須為 void ，因?yàn)椴樵兊慕Y(jié)果在 ResultHandler 里處理數(shù)據(jù)，所以這個(gè) hander 也是必須的，可以使用 lambda 實(shí)現(xiàn)一個(gè)依次處理邏輯。

注意：

雖然上面的代碼中都有 @Options 但實(shí)際操作卻有不同：

方式一是多次查詢，一次返回多條
方式二是一次查詢，一次返回一條

原因：

Oracle 是從服務(wù)器一次取出 fetch size 條記錄放在客戶端，客戶端處理完成一個(gè)批次后再向服務(wù)器取下一個(gè)批次，直到所有數(shù)據(jù)處理完成。

MySQL 是在執(zhí)行 ResultSet.next() 方法時(shí)，會(huì)通過數(shù)據(jù)庫連接一條一條的返回。flush buffer 的過程是阻塞式的，如果網(wǎng)絡(luò)中發(fā)生了擁塞，send buffer 被填滿，會(huì)導(dǎo)致 buffer 一直 flush 不出去，那 MySQL 的處理線程會(huì)阻塞，從而避免數(shù)據(jù)把客戶端內(nèi)存撐爆。

非流式查詢和流式查詢區(qū)別：

非流式查詢：內(nèi)存會(huì)隨著查詢記錄的增長而近乎直線增長
流式查詢：內(nèi)存會(huì)保持穩(wěn)定，不會(huì)隨著記錄的增長而增長。其內(nèi)存大小取決于批處理大小BATCH_SIZE的設(shè)置，該尺寸越大，內(nèi)存會(huì)越大。所以BATCH_SIZE應(yīng)該根據(jù)業(yè)務(wù)情況設(shè)置合適的大小

另外要切記每次處理完一批結(jié)果要記得釋放存儲(chǔ)每批數(shù)據(jù)的臨時(shí)容器，即上文中的gxids.clear();

責(zé)任編輯：武曉燕來源： JAVA日知錄