大数据表的查询优化方案

假设有一张大表。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？怎样做优化?

本人如今做的项目中，有个表的数据超过1千万行，超过3G的数据。如今须要对表中的数据进行查询统计，之前因为没做优化，导致此表的查询效率很低下，让使用者很苦恼，于是本人參与了此表的优化。

举个类似的样例。比方表中的结构例如以下，如今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。

CREATE TABLE `population` (
  `population_id` bigint(64) NOT NULL AUTO_INCREMENT COMMENT '人口表',
  `name` varchar(128) COLLATE utf8_bin DEFAULT NULL COMMENT '姓名',
  `city` varchar(32) COLLATE utf8_bin DEFAULT NULL COMMENT '城市',
  `birthday` date DEFAULT NULL COMMENT '出生日期', 
  PRIMARY KEY (`population_id`)
)

查询某一城市某一天出生的人口数
SELECT COUNT(*) FROM population WHERE city='广州' AND birthday = '2014-11-02'
查询某一城市的人口数
SELECT COUNT(*) FROM population WHERE city='广州' 
查询某一天出生的人口数
SELECT COUNT(*) FROM population WHERE birthday = '2014-11-02'

提出了两个优化方案，

(1).优化索引

    通过加入索引后，查询的效率得到极大的提升，经常使用查询的查询时间从原来的几十秒下降到几秒。

    建立下面两个单列索引

ALTER TABLE `population`   
  ADD  INDEX `fk_city` (`city`),
  ADD  INDEX `fk_birthday` (`birthday`);

   也能够建立下面两个组合索引

ALTER TABLE `population`   
  ADD  INDEX `fk_index1` (`city`, `birthday`),
  ADD  INDEX `fk_index2` (`birthday`, `city`);

(2).使用中间表
    尽管索引优化能够将查询时间大大降低，但假设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，查询仍然会非常慢，因此索引优化无法从根本上解决这个问题。如今表中的数据量越来越大，平均每一个月要添加一两百万的数据，索引的优化方法仅仅是临时的。仅仅能解决小数据量的查询问题。随着数据量的高速增长，索引带来的性能优化非常easy达到极限。要寻找其它的解决方式。

     我们依据业务需求的特点，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，必须同一时候更新population_statistics中的数据，否则会出现数据不一致的错误。

CREATE TABLE `population_statistics` (
  `population_statistics_id` bigint(64) NOT NULL AUTO_INCREMENT COMMENT '人口统计表ID',
  `city` varchar(128) COLLATE utf8_bin DEFAULT NULL COMMENT '城市',
  `birthday` int(32) DEFAULT NULL COMMENT '出生日期',
  `total_count` int(32) DEFAULT NULL COMMENT '人口数量',
  PRIMARY KEY (`population_statistics_id`),
  KEY `fk_city` (`city`),
  KEY `fk_birthday` (`birthday`)
)
查询某一城市某一天出生的人口数
SELECT total_count FROM population_statistics WHERE city='广州' AND birthday = '2014-11-02';
查询某一城市的人口数
SELECT COUNT(total_count) FROM population_statistics WHERE city='广州';
查询某一天出生的人口数
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中最多仅仅有一条数据。也就是说统计表population_statistics中的数据量仅仅有人口表population的几千分之中的一个，再加上索引的优化，查询的速度会极大提高。

以下总结一下经常使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,在非常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

假设表中的数据呈现出某一类特性,比方呈现时间特性,那么能够依据时间段将表拆分成多个。

比方按年划分、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；

比方按地区将表拆分，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，经常使用的字段放在一个表，不经常使用的字段或大字段放在另外一个表。因为数据库每次查询都是以块为单位，而每块的容量是有限的。一般是十几K或几十K。将表按字段拆分后，单次IO所能检索到的行数一般会提高非常多。查询效率就能提高上去。

比方有成员表。结构例如以下：

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

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，能够将它独立出来，单独形成一个表。

CREATE TABLE `member` (
  `member_id` bigint(64) NOT NULL AUTO_INCREMENT COMMENT '成员表ID',
  `name` varchar(128) COLLATE utf8_bin DEFAULT NULL COMMENT '成员姓名',
  `age` int(32) DEFAULT NULL COMMENT '成员年龄',
  PRIMARY KEY (`member_id`)
)

CREATE TABLE `member_introduction` (
  `member_introduction_id` bigint(64) NOT NULL AUTO_INCREMENT COMMENT '成员介绍表ID',
  `member_id` bigint(64) DEFAULT NULL COMMENT '成员ID',
  `introduction` text COLLATE utf8_bin COMMENT '成员介绍',
  PRIMARY KEY (`member_introduction_id`),
  KEY `fk_member_id` (`member_id`),
  CONSTRAINT `fk_member_id` FOREIGN KEY (`member_id`) REFERENCES `member` (`member_id`)
)

5. 建立中间表，以空间换时间

在有些情况下。是能够通过建立中间表来加快查询速度的。详情可看文章开头的样例。

6. 用内存缓存数据。以空间换时间

将经常使用并且不常改动的数据载入到内存中，直接从内存查询则可。

能够使用热门的缓存技术，如Memcache、Redis、Ehcache等。

7.    使用其它辅助技术

Solr:一种基于Lucene的JAVA搜索引擎技术