最近公司核心库做表分析，大量系统连接这个核心库，而且从库好多10个从库，30几个账号，后来开通了全SQL审计，11个实例的审计日志条数每天超过4.5亿条+，
问题
1，怎么分析出这几百个表是哪些账号在用？
2，这些表那些账号在读，哪些在写？
方法：
1，方法一
手工下载csv文件，使用正则表达式，分析腾讯云导出这些审计日志csv文件 （分析很慢，而且不能把表对应具体的账号） （此方法不行）
2，使用JSqlParser这样对SQL语义分析，解析出SQL的表名
手工下载csv文件，测试了一下，的确可以，有少量SQL无法解析，但是有4.5亿条，即使一条花费0.1秒，也要4千万秒分析完（超过1万小时），
即使100个线程并发，也需要100小时，而且是一天的量 （此方法不行）
是否有其他方法，能快速分析出SQL语句的表和账号关系。
突然想起了，可以把csv导入到MySQL表中，在SQL字段建立全文索引，通过python来分析全文索引，获取表和账号的关系，测试了MySQL的表全文索引，的确很好用
如查询表： ol_order ，如： lt_ol_order 表这个查询就不会查询处理，他查的是词，很好用。
如查询表，insert的用户和表的分析，取一条sql样例：
SELECT count(*) num,user,'insert','ol_order',`sql`,date(`Timestamp`) dt FROM cc_0128 WHERE
MATCH(`sql`) AGAINST('+ol_order +insert' IN BOOLEAN MODE) group by user
对于delete，select，update和replace都可以这样分析出来。写5条SQL，一起union all，就可以
分析完后，分析有些异常数据：比如这样的语句： insert into 表 select 1,2 这样，如果再上面的语句加上 ： `sql` like 'insert%' ，几百个表，5条SQL，查询比以前变慢很多！
怎么办？分析效率和准确率如何平衡
后来看了看，异常数据有些，但不多，可以针对异常数据的分析，以前的分析就不用改。修复的语句：
SELECT count(*) num,user,'insert','ol_order',`sql`,date(`Timestamp`) FROM cc_0128 WHERE MATCH(`sql`)
AGAINST('+ol_order +insert' IN BOOLEAN MODE) and `sql` like 'insert%' group by user
这样就可以分析出表，账号还用调用次数的关系。
还能分析出表的字段被那些账号update更新。但几百个表。有1万多个字段，如果Python遍历，太低效，有没有更好的办法？
根据分析的update和表的关系，其实几百个表有更新的只有2百多个，只需遍历这200多个表的分析就可以了，这样既解决效率问题。
其实这个方法也可用，但是每次要下载csv文件，导表，建全文索引，再分析，太耗时间，后面把程序自动下载csv，通过filebeat导到ELK，在ELK直接查询，效率更高。
额外收获：
如某一时刻，MySQL的QPS高，如何快速查出QPS高的表，导出范围日志csv到表，简单查一下（一般百万级别）
select tab,count(*) from (select id,substring_index(substring_index(LOWER(`sql`), 'where', 1),'from',-1) tab,`sql` from ol_sk1 ) t GROUP BY tab order by 2 desc
查询具体表的调用SQL：
select `User`,count(*), `sql` from ol_sk1 where MATCH(`sql`) AGAINST ('ol_admin_config') GROUP BY `User`, `sql` order by 2 desc