大数据表的查询优化方案

如果有一张大表，表中的数据有几百万、几千万甚至上亿，要实现实时查询，查询的结果要在十秒钟之内出来，怎么办？如何做优化?

本人现在做的项目中，有个表的数据超过1千万行，超过3G的数据。现在需要对表中的数据进行查询统计，之前由于没做优化，导致此表的查询效率非常低下，让使用者非常苦恼，于是本人参与了此表的优化。

举个类似的例子，比如表中的结构如下，现在要统计某一天出生的人口数，或者统计某一城市的人口数，或者某一城市某一天出生的人口数。

[sql] view plaincopy

1. CREATE TABLE `population` (  
2.   `population_id` bigint(64) NOT NULL AUTO_INCREMENT COMMENT '人口表',  
3.   `name` varchar(128) COLLATE utf8_bin DEFAULT NULL COMMENT '姓名',  
4.   `city` varchar(32) COLLATE utf8_bin DEFAULT NULL COMMENT '城市',  
5.   `birthday` date DEFAULT NULL COMMENT '出生日期',   
6.   PRIMARY KEY (`population_id`)  
7. )  
8.   
9. 查询某一城市某一天出生的人口数  
10. SELECT COUNT(*) FROM population WHERE city='广州' AND birthday = '2014-11-02'  
11. 查询某一城市的人口数  
12. SELECT COUNT(*) FROM population WHERE city='广州'   
13. 查询某一天出生的人口数  
14. SELECT COUNT(*) FROM population WHERE birthday = '2014-11-02'  

提出了两个优化方案，

(1).优化索引

    通过添加索引后，查询的效率得到极大的提升，常用查询的查询时间从原来的几十秒下降到几秒。

    建立以下两个单列索引

[sql] view plaincopy

1. ALTER TABLE `population`     
2.   ADD  INDEX `fk_city` (`city`),  
3.   ADD  INDEX `fk_birthday` (`birthday`);  

   也可以建立以下两个组合索引

[sql] view plaincopy

1. ALTER TABLE `population`     
2.   ADD  INDEX `fk_index1` (`city`, `birthday`),  
3.   ADD  INDEX `fk_index2` (`birthday`, `city`);  

(2).使用中间表
    虽然索引优化可以将查询时间大大减少，但如果数据量达到一定量时，有些情况下索引到的数据达到几百万时，查询仍然会很慢，因此索引优化无法从根本上解决问题。现在表中的数据量越来越大，平均每个月要增加一两百万的数据，索引的优化方法只是暂时的，只能解决小数据量的查询问题，随着数据量的快速增长，索引带来的性能优化很容易达到极限，要寻找其他的解决方案。

     我们根据业务需求的特点，创建中间表population_statistics，将表population中的统计数据存放到中间表population_statistics中，查询时直接从中间表population_statistics中查询。注意，在对表population进行增、删、改时，必须同时更新population_statistics中的数据，否则会出现数据不一致的错误！

[sql] view plaincopy

1. CREATE TABLE `population_statistics` (  
2.   `population_statistics_id` bigint(64) NOT NULL AUTO_INCREMENT COMMENT '人口统计表ID',  
3.   `city` varchar(128) COLLATE utf8_bin DEFAULT NULL COMMENT '城市',  
4.   `birthday` int(32) DEFAULT NULL COMMENT '出生日期',  
5.   `total_count` int(32) DEFAULT NULL COMMENT '人口数量',  
6.   PRIMARY KEY (`population_statistics_id`),  
7.   KEY `fk_city` (`city`),  
8.   KEY `fk_birthday` (`birthday`)  
9. )  
10. 查询某一城市某一天出生的人口数  
11. SELECT total_count FROM population_statistics WHERE city='广州' AND birthday = '2014-11-02';  
12. 查询某一城市的人口数  
13. SELECT COUNT(total_count) FROM population_statistics WHERE city='广州';  
14. 查询某一天出生的人口数  
15. SELECT COUNT(total_count) FROM population_statistics WHERE birthday = '2014-11-02';  

   某个城市某一天的人口在表population中可能有几千甚至万的数据，而在统计表population_statistics中最多只有一条数据，也就是说统计表population_statistics中的数据量只有人口表population的几千分之一，再加上索引的优化，查询的速度会极大提高。

下面总结一下常用的大数据表优化方案.

1. 索引优化

通过建立合理高效的索引,提高查询的速度.

建议阅读本人写的一篇关于索引的博客

http://blog.csdn.net/brushli/article/details/39677387

2. SQL优化

组织优化SQL语句,使查询效率达到最优,在很多情况下要考虑索引的作用.

建议阅读考本人写的一篇关于索引的博客

http://blog.csdn.net/brushli/article/details/39677387

3. 水平拆表

如果表中的数据呈现出某一类特性,比如呈现时间特性,那么可以根据时间段将表拆分成多个。

比如按年划分、按季度划分、按月划分等等，查询时按时间段进行拆分查询，再把查询结果进行合并；

比如按地区将表拆分，不同地区的数据放在不同的表里面，然后对查询进行分拆，对查询结果进行合并。

4. 垂直拆表

将表按字段拆分成多个表，常用的字段放在一个表，不常用的字段或大字段放在另外一个表。由于数据库每次查询都是以块为单位，而每块的容量是有限的，通常是十几K或几十K，将表按字段拆分后，单次IO所能检索到的行数通常会提高很多，查询效率就能提高上去。

比如有成员表，结构如下：

[sql] view plaincopy

1. CREATE TABLE `member` (  
2.   `member_id` bigint(64) NOT NULL AUTO_INCREMENT COMMENT '成员表ID',  
3.   `name` varchar(128) COLLATE utf8_bin DEFAULT NULL COMMENT '成员姓名',  
4.   `age` int(32) DEFAULT NULL COMMENT '成员年龄',  
5.   `introduction` text COLLATE utf8_bin COMMENT '成员介绍',  
6.   PRIMARY KEY (`member_id`)  
7. )  

introduction是大字段，保存成员的介绍，这个大字段会严重影响查询效率，可以将它独立出来，单独形成一个表。

[sql] view plaincopy

1. CREATE TABLE `member` (  
2.   `member_id` bigint(64) NOT NULL AUTO_INCREMENT COMMENT '成员表ID',  
3.   `name` varchar(128) COLLATE utf8_bin DEFAULT NULL COMMENT '成员姓名',  
4.   `age` int(32) DEFAULT NULL COMMENT '成员年龄',  
5.   PRIMARY KEY (`member_id`)  
6. )  
7.   
8. CREATE TABLE `member_introduction` (  
9.   `member_introduction_id` bigint(64) NOT NULL AUTO_INCREMENT COMMENT '成员介绍表ID',  
10.   `member_id` bigint(64) DEFAULT NULL COMMENT '成员ID',  
11.   `introduction` text COLLATE utf8_bin COMMENT '成员介绍',  
12.   PRIMARY KEY (`member_introduction_id`),  
13.   KEY `fk_member_id` (`member_id`),  
14.   CONSTRAINT `fk_member_id` FOREIGN KEY (`member_id`) REFERENCES `member` (`member_id`)  
15. )  

5. 建立中间表，以空间换时间

在有些情况下，是可以通过建立中间表来加快查询速度的，详情可看文章开头的例子。

6. 用内存缓存数据，以空间换时间

将常用而且不常修改的数据加载到内存中，直接从内存查询则可。

可以使用热门的缓存技术，如Memcache、Redis、Ehcache等。

7.    使用其他辅助技术

Solr:一种基于Lucene的JAVA搜索引擎技术