这只是一次简单数据迁移的统计,数据量不大,麻烦的是一些中间步骤处理和思量。
没有 SQL 优化、索引优化的内容,大家轻喷。
背景
用户眼科属性表记录数大概 986w,目的是把大概 29w 记录的属性值(json 格式)的其中八个字段解析为数字,转储为统计表的记录,用于图表分析。
以下结构、数据都大部分我瞎诌的,不可当真
用户眼科属性表结构如下
CREATE TABLE `property` ( `id` int(11) NOT NULL AUTO_INCREMENT, `ownerId` int(11) NOT NULL COMMENT '记录ID或者模板ID', `ownerType` tinyint(4) NOT NULL COMMENT '类型。0:记录 1:模板', `recorderId` bigint(20) NOT NULL DEFAULT '0' COMMENT '记录者ID', `userId` bigint(20) NOT NULL DEFAULT '0' COMMENT '用户ID', `roleId` bigint(20) NOT NULL DEFAULT '0' COMMENT '角色ID', `type` tinyint(4) NOT NULL COMMENT '字段类型。0:文本 1:备选项 2:时间 3:图片 4:ICD10 9:新图片', `name` varchar(128) NOT NULL DEFAULT '' COMMENT '字段名称', `value` mediumtext NOT NULL COMMENT '字段值', PRIMARY KEY (`id`), UNIQUE KEY `idxOwnerIdOwnerTypeNameType` (`ownerType`,`ownerId`,`name`,`type`) USING BTREE, KEY `idxUserIdRoleIdRecorderIdName` (`userId`,`roleId`,`recorderId`,`name`) ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='属性';
问题分析
1、属性值是 Json 格式的,需要使用 Json 操作函数处理
因为属性值是 Json 格式的,如下。较大的一个 Json,但是只需要其中 8 个字段值,提取出来分门别类归为不同统计指标下。
{ ...... "sight": { "nakedEye": { "left": "0.9", "right": "0.6" }, "correction": { "left": "1", "right": "1" } }, ...... "axialLength": { "left": "21", "right": "12" }, "korneaRadius": { "left": "34", "right": "33" }, ...... }
所以,需要用到 Json 操作函数:json_extract(value,'$.key1.key2')。
但是需要注意的是这个函数提取的值是带""。比如对上述记录执行json_extract(value,'$.sight.nakedEye.left')的结果是"22";也可能字段值是空字符串,那结果就是""。
所以,需要使用 replace函数把结果中的 "" 删除掉,最后提取字段的表达式就是:replace(json_extract(value,'$.sight.nakedEye.left'),'"','')。
如果字段不存在的话,结果就是 NULL;无论是外层 sight 不存在,或是内层 left 不存在。
2、字段内容不规范,乱七八糟
理想下,填写的都是规范数字,那经过上面那一步就可以提取完直接导入新表。
但是,现实很残酷,填的东西那叫一个乱七八糟。比如:
- 数字 + 备注:1(配合欠佳)、1-\+(我猜这是想表示偏高或偏低)
- 数字 + 单位:跟上面相似,1mm
- 多数值或区间:22.52/42.45、1-5
- 纯文本描述:不配合、无法记录
- 文本、数字混杂描述:较上次增长 10、<1、小于1、BD234/KD23
没办法,找产品和业务对情况,好在不多,就 4000 多条,大致扫一下心里有数。得出以下几条解决方案:
- 数字开头:数字开头都是正确记录的数据,省略掉文字描述即可
- 多数值或区间:取最前面的数即可
- 纯文本:说明没有数据,排除掉
- 文本、数字混杂:具体问题具体分析,把其他处理掉之后看还有多少
具体怎么做呢?
第一步:排除正常的数字数据和空数据
WHERE `nakedEyeLeft` REGEXP '[^0-9.]' = 1 // 这个已经可以排除 null 了 AND `nakedEyeLeft` != ''
第二步:如果不包含数字,将其设置 NULL 或空字符串
SET nakedEyeLeft = IF(nakedEyeLeft NOT regexp '[0-9]', '', nakedEyeLeft)
第三步:提取数字开头的数据的首个数值
SET nakedEyeLeft = IF((nakedEyeLeft + 0 = 0), nakedEyeLeft, nakedEyeLeft + 0)
结合起来就是
SET nakedEyeLeft = IF(nakedEyeLeft NOT regexp '[0-9]''', '', IF((nakedEyeLeft + 0 = 0), nakedEyeLeft, nakedEyeLeft + 0)) WHERE `nakedEyeLeft` REGEXP '[^0-9.]' = 1 // 这个已经可以排除 null 了 AND `nakedEyeLeft` != ''
PS:处理一个字段的SQL 看着就简单,但是因为批量一次处理 8 个字段,组合起来就很长。
千万注意不要写错字段。
最后剩下的就是第四类:文本、数字混杂,40 多条。
有些看着简单的,可以用正则自动化处理,比如<1、小于1。
记录的增长值,需要查找上次记录进行计算:较上次增长 10。
剩下有点复杂的,就需要人为处理,提取出可用数据,比如BD234/KD23
不知道看到这里的各位是不是也觉得有些麻烦呢?
我也以为咬着牙搞了,结果业务说直接处理成 0,到时候发现是 0 的话,可以通过页面重新保存的。
就不需要判断是不是数字打头了,直接 + 0;如果是数字打头,会保留开头的数字;否则 = 0。
那最后数据格式化SQL:
UPDATE property SET nakedEyeLeft = IF(nakedEyeLeft NOT regexp '[0-9]''', '', nakedEyeLeft + 0) WHERE `nakedEyeLeft` REGEXP '[^0-9.]' = 1 // 这个已经可以排除 null 了 AND `nakedEyeLeft` != '';
3.又要抽取内容、又要格式化,记录还有 900w+,太慢了
property 表有 900w+ 的数据,而所需记录的条件,只有name、ownerType、type是可知的,没法命中现有的索引。
如果直接查找的话,直接就是全表扫描,外加数据提取和格式化;更何况还需要关联其他表,补充统计指标的一些其他字段。
这种情况下,直接导入统计表的话,结果就是把两张表+关联表一起锁较长时间,期间没法更改和插入,这样不大现实。
减少扫描行数
做法一:给 name、ownerType、type 加上索引,将扫描记录缩减到 20 w。
但是问题是900w 数据加索引,用完需要删除索引(因为不是业务情况需要),就会导致两次波动;
再加上后续处理锁表时长,问题还是很大。
做法二:将一个记录较少的表做驱动表,这个表可以关联目标表。
CREATE TABLE `property` ( `ownerId` int(11) NOT NULL COMMENT '记录ID或者模板ID', `ownerType` tinyint(4) NOT NULL COMMENT '类型。0:记录 1:模板', `type` tinyint(4) NOT NULL COMMENT '字段类型。0:文本 1:备选项 2:时间 3:图片 4:ICD10 9:新图片', `name` varchar(128) NOT NULL DEFAULT '' COMMENT '字段名称', `value` mediumtext NOT NULL COMMENT '字段值', 省略其他字段 UNIQUE KEY `idxOwnerIdOwnerTypeNameType` (`ownerType`,`ownerId`,`name`,`type`) USING BTREE ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='属性';
表中ownerId 可以关联到记录表,加上之前的条件name、ownerType、type,如此刚好命中 并``idxOwnerIdOwnerTypeNameType (ownerType,ownerId,name,type) 。
CREATE TABLE `medicalrecord` ( `id` int(11) NOT NULL AUTO_INCREMENT, `name` varchar(50) NOT NULL DEFAULT '' COMMENT '记录名称', `type` tinyint(4) NOT NULL DEFAULT '0' COMMENT '记录类型。', 省略其他字段 KEY `idxName` (`name`) USING BTREE ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='记录';
记录表可以通过 name='眼科记录'命中索引idxName,扫描行数只有2w,加上属性表 29w,最后扫描行数只有 30w 左右,比之全表扫描属性表少了 30 倍!!!。
避免数据提取和格式化的锁表时长
因为存在 8 个字段,每个字段都需要提取和格式化,中间还需要进行判断。这样子一个 SQL 里面同样的提取和格式化操作就要多次执行了。
所以,为了避免这样的问题,需要中间表暂存提取和格式化结果。
CREATE TABLE `propertytmp` ( `id` int(11) NOT NULL AUTO_INCREMENT, `value` mediumtext NOT NULL COMMENT '字段值', `nakedEyeLeft` varchar(255) DEFAULT NULL COMMENT '视力-裸眼-左眼', `nakedEyeRight` varchar(255) DEFAULT NULL COMMENT '视力-裸眼-右眼', `correctionLeft` varchar(255) DEFAULT NULL COMMENT '视力-矫正-左眼', `correctionRight` varchar(255) DEFAULT NULL COMMENT '视力-矫正-右眼', `axialLengthLeft` varchar(255) DEFAULT NULL COMMENT '眼轴长度-左眼', `axialLengthRight` varchar(255) DEFAULT NULL COMMENT '眼轴长度-右眼', `korneaRadiusLeft` varchar(255) DEFAULT NULL COMMENT '角膜曲率-左眼', `korneaRadiusRight` varchar(255) DEFAULT NULL COMMENT '角膜曲率-右眼', `updated` datetime NOT NULL COMMENT '更新时间', `deleted` tinyint(1) NOT NULL DEFAULT '0', PRIMARY KEY (`id`) ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;
先将数据导入该表,在此基础上做提取,然后格式化。
最后执行结果比较
数据导入比较
结果:全表扫描属性表导入中间表(40s),属性表新增索引+导入(6s + 3s),关联导入(1.4s)。
因为需要关联其他表,并没有预测的那么理想。
中间表数据提取:7.5s
UPDATE `propertytmp` SET nakedEyeLeft = REPLACE(json_extract(value,'$.sight.axialLength.left'),'"',''), nakedEyeLeft = REPLACE(json_extract(value,'$.sight.nakedEye.left'),'"',''), nakedEyeRight = REPLACE(json_extract(value,'$.sight.nakedEye.right'),'"',''), correctionLeft = REPLACE(json_extract(value,'$.sight.correction.left'),'"',''), correctionRight = REPLACE(json_extract(value,'$.sight.correction.right'),'"',''), axialLengthLeft = REPLACE(json_extract(value,'$.axialLength.left'),'"',''), axialLengthRight = REPLACE(json_extract(value,'$.axialLength.right'),'"',''), korneaRadiusLeft = REPLACE(json_extract(value,'$.korneaRadius.left'),'"',''), korneaRadiusRight = REPLACE(json_extract(value,'$.korneaRadius.right'),'"','');
中间表数据格式化:2.3s
正则判断比我想象的要快啊
UPDATE propertytmp SET nakedEyeLeft = IF(nakedEyeLeft NOT REGEXP '[0-9]' AND nakedEyeLeft != '', '', nakedEyeLeft + 0), nakedEyeRight = IF(nakedEyeRight NOT REGEXP '[0-9]' AND nakedEyeRight != '', '', nakedEyeRight + 0), correctionLeft = IF(correctionLeft NOT REGEXP '[0-9]' AND correctionLeft != '', '', correctionLeft + 0), correctionRight = IF(correctionRight NOT REGEXP '[0-9]' AND correctionRight != '', '', correctionRight + 0), axialLengthLeft = IF(axialLengthLeft NOT REGEXP '[0-9]' AND axialLengthLeft != '', '', axialLengthLeft + 0), axialLengthRight = IF(axialLengthRight NOT REGEXP '[0-9]' AND axialLengthRight != '', '', axialLengthRight + 0), korneaRadiusLeft = IF(korneaRadiusLeft NOT REGEXP '[0-9]' AND korneaRadiusLeft != '', '', korneaRadiusLeft + 0), korneaRadiusRight = IF(korneaRadiusRight NOT REGEXP '[0-9]' AND korneaRadiusRight != '', '', korneaRadiusRight + 0) WHERE (`nakedEyeLeft` REGEXP '[^0-9.]' = 1 AND `nakedEyeLeft` != '') OR (`nakedEyeRight` REGEXP '[^0-9.]' = 1 AND `nakedEyeRight` != '') OR (`correctionLeft` REGEXP '[^0-9.]' = 1 AND `correctionLeft` != '') OR (`correctionRight` REGEXP '[^0-9.]' = 1 AND `correctionRight` != '') OR (`axialLengthLeft` REGEXP '[^0-9.]' = 1 AND `axialLengthLeft` != '') OR (`axialLengthRight` REGEXP '[^0-9.]' = 1 AND `axialLengthRight` != '') OR (`korneaRadiusLeft` REGEXP '[^0-9.]' = 1 AND `korneaRadiusLeft` != '') OR (`korneaRadiusRight` REGEXP '[^0-9.]' = 1 AND `korneaRadiusRight` != '');
统计指标中间表
因为实际导入统计指标表时,还需要排除为空数据,以及关联其他表做补充。
为了减少对指标表的影响,又建了指标表的中间表,结构完全一致,ID自增是目标表 + 10000。
将属性中间表的数据导入指标中间表,最后直接 INSERT ... SELECT FROM,就很快了。
当然这步其实有点矫枉过正了,但是为了避免线上的一些波动,还是谨慎一些较好。
总结
这是一次简单的数据迁移经历记录。
没有索引优化、SQL优化的内容,只是觉得大家需要有这种关注性能和对用户影响的考虑。
到此这篇关于MySQL提取Json内部字段转储为数字的文章就介绍到这了,更多相关MySQL提取Json转储为数字内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家!