目录
- 1、属性值是 json 格式的,需要使用 json 操作函数处理
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www.887551.com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www.887551.com!