MySQL 中如何归档数据

归档，在 MySQL 中，是一个相对高频的操作。

它通常涉及以下两个操作：

1. 迁移。将数据从业务实例迁移到归档实例。
2. 删除。从业务实例中删除已迁移的数据。

在处理类似需求时，都是开发童鞋提单给 DBA，由 DBA 来处理。

于是，很多开发童鞋就好奇，DBA 都是怎么执行归档操作的？归档条件没有索引会锁表吗？安全吗，会不会数据删了，却又没归档成功？

针对这些疑问，下面介绍 MySQL 中的数据归档神器 – pt-archiver。

本文主要包括以下几个部分：

1. 什么是 pt-archiver
2. 安装
3. 简单入门
4. 实现原理
5. 批量归档
6. 不同归档参数之间的速度对比
7. 常见用法
8. 如何避免主从延迟
9. 常用参数

什么是 pt-archiver

pt-archiver 是 Percona Toolkit 中的一个工具。

Percona Toolkit 是 Percona 公司提供的一个 MySQL 工具包。工具包里提供了很多实用的 MySQL 管理工具。

譬如，我们常用的表结构变更工具 pt-online-schema-change ，主从数据一致性校验工具 pt-table-checksum 。

毫不夸张地说，熟练使用 Percona Toolkit 是 MySQL DBA 必备的技能之一。

安装

Percona Toolkit 下载地址：https://www.percona.com/downloads/percona-toolkit/LATEST/

官员们已经为多个系统提供了现成的软件包。

我常用的是 Linux – Generic 二进制包。

下面以 Linux – Generic 版本为例，看看它的安装方法。

cd /usr/local/
wget https://downloads.percona.com/downloads/percona-toolkit/3.3.1/binary/tarball/percona-toolkit-3.3.1_x86_64.tar.gz --no-check-certificate
tar xvf percona-toolkit-3.3.1_x86_64.tar.gz
cd percona-toolkit-3.3.1
yum install perl-ExtUtils-MakeMaker perl-DBD-MySQL perl-Digest-MD5
perl Makefile.PL
make
make install

简单入门

首先，我们看一个简单的归档 Demo。

测试数据

mysql> show create table employees.departments\G
*************************** 1. row ***************************
       Table: departments
Create Table: CREATE TABLE departments (
  dept_no char(4) NOT NULL,
  dept_name varchar(40) NOT NULL,
  PRIMARY KEY (dept_no),
  UNIQUE KEY dept_name (dept_name)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_0900_ai_ci
1 row in set (0.00 sec)

mysql> select * from employees.departments;
+---------+--------------------+
| dept_no | dept_name          |
+---------+--------------------+
| d009    | Customer Service   |
| d005    | Development        |
| d002    | Finance            |
| d003    | Human Resources    |
| d001    | Marketing          |
| d004    | Production         |
| d006    | Quality Management |
| d008    | Research           |
| d007    | Sales              |
+---------+--------------------+
9 rows in set (0.00 sec)

下面，我们将 employees.departments 表的数据从 192.168.244.10 归档到 192.168.244.128。

具体命令如下：

pt-archiver --source h=192.168.244.10,P=3306,u=pt_user,p=pt_pass,D=employees,t=departments --dest h=192.168.244.128,P=3306,u=pt_user,p=pt_pass,D=employees,t=departments --where "1=1"

在命令行上指定了三个参数。

• –source：源库（业务实例）的 DSN。 DSN 在 Percona Toolkit 中比较常见，可理解为目标实例相关信息的缩写。 支持的缩写及含义如下：

缩写  含义
===  =============================================
A    默认的字符集
D    库名
F    只从给定文件中读取配置信息，类似于MySQL中的--defaults-file
P    端口
S    用于连接的socket文件
h    主机名
p    密码
t    表名
u    用户名

• –dest：目标库（归档实例）的 DSN。
• –where：归档条件。”1=1″代表归档全表。

实现原理

下面结合 General log 的输出看看 pt-archiver 的实现原理。

源库日志

2022-03-06T10:58:20.612857+08:00       10 Query SELECT /*!40001 SQL_NO_CACHE */ dept_no,dept_name FROM employees.departments FORCE INDEX(PRIMARY) WHERE (1=1) ORDER BY dept_no LIMIT 1

2022-03-06T10:58:20.613451+08:00       10 Query DELETE FROM employees.departments WHERE (dept_no = 'd001')
2022-03-06T10:58:20.620327+08:00       10 Query commit

2022-03-06T10:58:20.628409+08:00       10 Query SELECT /*!40001 SQL_NO_CACHE */ dept_no,dept_name FROM employees.departments FORCE INDEX(PRIMARY) WHERE (1=1) AND ((dept_no >= 'd001')) ORDER BY dept_no LIMIT 1

2022-03-06T10:58:20.629279+08:00       10 Query DELETE FROM employees.departments WHERE (dept_no = 'd002')
2022-03-06T10:58:20.636154+08:00       10 Query commit
...

目标库日志

2022-03-06T10:58:20.613144+08:00       18 Query INSERT INTO employees.departments(dept_no,dept_name) VALUES ('d001','Marketing')
2022-03-06T10:58:20.613813+08:00       18 Query commit

2022-03-06T10:58:20.628843+08:00       18 Query INSERT INTO employees.departments(dept_no,dept_name) VALUES ('d002','Finance')
2022-03-06T10:58:20.629784+08:00       18 Query commit
...

结合源库和目标库的日志，您可以看到

1. pt-archiver 首先会从源库查询一条记录，然后再将该记录插入到目标库中。 目标库插入成功，才会从源库中删除这条记录。 这样就能确保数据在删除之前，一定是归档成功的。
2. 仔细观察这几个操作的执行时间，其先后顺序如下。 （1）源库查询记录。 （2）目标库插入记录。 （3）源库删除记录。 （4）目标库 COMMIT。 （5）源库 COMMIT。 这种实现借鉴了分布式事务中的两阶段提交算法。
3. –where 参数中的 “1=1” 会传递到 SELECT 操作中。 “1=1” 代表归档全表，也可指定其它条件，如我们常用的时间。
4. 每次查询都是使用主键索引，这样即使归档条件中没有索引，也不会产生全表扫描。
5. 每次删除都是基于主键，这样可避免归档条件没有索引导致全表被锁的风险。

批量归档

如果使用 Demo 中的参数进行归档，在数据量比较大的情况下，效率会非常低，毕竟 COMMIT 是一个昂贵的操作。

所以在网上，我们通常做批量操作。

具体命令如下：

pt-archiver --source h=192.168.244.10,P=3306,u=pt_user,p=pt_pass,D=employees,t=departments --dest h=192.168.244.128,P=3306,u=pt_user,p=pt_pass,D=employees,t=departments --where "1=1" --bulk-delete --limit 1000 --commit-each --bulk-insert

与前面的存档命令相比，该命令指定了四个额外的参数，其中

• –bulk-delete：批量删除。
• –limit：每批归档的记录数。
• –commit-each：对于每一批记录，只会 COMMIT 一次。
• –bulk-insert：归档数据以 LOAD DATA INFILE 的方式导入到归档库中。

看看上述命令对应的 General log 。

源库

2022-03-06T12:13:56.117984+08:00       53 Query SELECT /*!40001 SQL_NO_CACHE */ dept_no,dept_name FROM employees.departments FORCE INDEX(PRIMARY) WHERE (1=1) ORDER BY dept_no LIMIT 1000
...

2022-03-06T12:13:56.125129+08:00       53 Query DELETE FROM employees.departments WHERE (((dept_no >= 'd001'))) AND (((dept_no 'd009'))) AND (1=1) LIMIT 1000
2022-03-06T12:13:56.130055+08:00       53 Query commit

目标库

2022-03-06T12:13:56.124596+08:00    51 Query LOAD DATA LOCAL INFILE '/tmp/hitKctpQTipt-archiver' INTO TABLE employees.departments(dept_no,dept_name)
2022-03-06T12:13:56.125616+08:00    51 Query commit：

注意：

1. 如果要执行 LOAD DATA LOCAL INFILE 操作，需将目标库的 local_infile 参数设置为 ON。
2. 如果不指定 –bulk-insert 且没指定 –commit-each，则目标库的插入还是会像 Demo 中显示的那样，逐行提交。
3. 如果不指定 –commit-each，即使表中的 9 条记录是通过一条 DELETE 命令删除的，但因为涉及了 9 条记录，pt-archiver 会执行 COMMIT 操作 9 次。目标库同样如此。
4. 在使用 –bulk-insert 归档时要注意，如果导入的过程中出现问题，譬如主键冲突，pt-archiver 是不会提示任何错误的。

不同归档参数的速度比较

下表是归档 20w 数据，不同参数之间的执行时间对比。

归档参数执行时间（s） 不指定任何批量相关参数 850.040 –bulk-delete –limit 1000 422.352 –bulk-delete –limit 1000 –commit-each 46.646 –bulk-delete –limit 5000 –commit-each 46.111 –bulk-delete –limit 1000 –commit-each –bulk-insert 7.650 –bulk-delete –limit 5000 –commit-each –bulk-insert 6.540 –bulk-delete –limit 1000 –bulk-insert 47.273

从表格中的数据中，我们可以得出以下几点：

1. 第一种方式是最慢的。 这种情况下，无论是源库还是归档库，都是逐行操作并提交的。
2. 只指定 –bulk-delete –limit 1000 依然很慢。 这种情况下，源库是批量删除，但 COMMIT 次数并没有减少。 归档库依然是逐行插入并提交的。
3. –bulk-delete –limit 1000 –commit-each 相当于第二种归档方式，源库和目标库都是批量提交的。
4. –limit 1000 和 –limit 5000 归档性能相差不大。
5. –bulk-delete –limit 1000 –bulk-insert 与 –bulk-delete –limit 1000 –commit-each –bulk-insert 相比，没有设置 –commit-each。 虽然都是批量操作，但前者会执行 COMMIT 操作 1000 次。 由此来看，空事务并不是没有代价的。

其它常见用法

（1）删除数据

删除数据是 pt-archiver 另外一个常见的使用场景。

具体命令如下：

pt-archiver --source h=192.168.244.10,P=3306,u=pt_user,p=pt_pass,D=employees,t=departments --where "1=1" --bulk-delete --limit 1000 --commit-each --purge --primary-key-only

命令行中的 –purge 代表只删除，不归档。

指定了 –primary-key-only ，这样，在执行 SELECT 操作时，就只会查询主键，不会查询所有列。

接下来，我们看看删除命令相关的 General log 。

为了直观地展示 pt-archiver 删除数据的实现逻辑，实际测试时将 –limit 设置为了 3。

开启事务
set autocommit=0;

查看表结构，获取主键
SHOW CREATE TABLE employees.departments;

开始删除第一批数据
通过 FORCE INDEX(PRIMARY) 强制使用主键
指定了 --primary-key-only，所以只会查询主键
事实上，不需要获取满足条件的所有主键值，只需取一个最小值和最大值。<details><summary>*<font color='gray'>[En]</font>*</summary>*<font color='gray'>In fact, there is no need to get all the primary key values that meet the conditions, just take a minimum and maximum value.</font>*</details>
SELECT /*!40001 SQL_NO_CACHE */ dept_no FROM employees.departments FORCE INDEX(PRIMARY) WHERE (1=1) ORDER BY dept_no LIMIT 3;

基于主键进行删除，删除的时候同时带上了 --where 指定的删除条件，以避免误删
DELETE FROM employees.departments WHERE (((dept_no >= 'd001'))) AND (((dept_no  'd003'))) AND (1=1) LIMIT 3;

提交
commit;

删除第二批数据
SELECT /*!40001 SQL_NO_CACHE */ dept_no FROM employees.departments FORCE INDEX(PRIMARY) WHERE (1=1) AND ((dept_no >= 'd003')) ORDER BY dept_no LIMIT 3;
DELETE FROM employees.departments WHERE (((dept_no >= 'd004'))) AND (((dept_no  'd006'))) AND (1=1); LIMIT 3
commit;

删除第三批数据
SELECT /*!40001 SQL_NO_CACHE */ dept_no FROM employees.departments FORCE INDEX(PRIMARY) WHERE (1=1) AND ((dept_no >= 'd006')) ORDER BY dept_no LIMIT 3;
DELETE FROM employees.departments WHERE (((dept_no >= 'd007'))) AND (((dept_no  'd009'))) AND (1=1) LIMIT 3;
commit;

删除最后一批数据
SELECT /*!40001 SQL_NO_CACHE */ dept_no FROM employees.departments FORCE INDEX(PRIMARY) WHERE (1=1) AND ((dept_no >= 'd009')) ORDER BY dept_no LIMIT 3;
commit;

在业务代码中，如果我们有类似的删除需求，不妨借鉴下 pt-archiver 的实现方式。

（2）将数据归档到文件中

数据不仅可以存档到数据库，还可以存档到文件。

具体命令如下：

pt-archiver --source h=192.168.244.10,P=3306,u=pt_user,p=pt_pass,D=employees,t=departments --where "1=1" --bulk-delete --limit 1000 --file '/tmp/%Y-%m-%d-%D.%t'

指定的是 –file ，而不是 –dest。

文件名使用日期格式符号，支持的符号和含义如下：

%d    Day of the month, numeric (01..31)
%H    Hour (00..23)
%i    Minutes, numeric (00..59)
%m    Month, numeric (01..12)
%s    Seconds (00..59)
%Y    Year, numeric, four digits
%D    Database name
%t    Table name

生成的文件是 CSV 格式，后续可通过 LOAD DATA INFILE 命令加载到数据库中。

如何避免主从延迟

无论是数据归档还是删除，对于源库，都需要执行 DELETE 操作。

很多人担心删除的记录太多，会造成主从延迟。

事实上，pt-archiver 本身就具备了基于主从延迟来自动调节归档（删除）操作的能力。

如果从库的延迟超过 1s（由 –max-lag 指定）或复制状态不正常，则会暂停归档（删除）操作，直到从库恢复。

默认情况下，pt-archiver 不会检查从库的延迟情况。

如果要检查，需通过 –check-slave-lag 显式设置从库的地址，譬如，

pt-archiver --source h=192.168.244.10,P=3306,u=pt_user,p=pt_pass,D=employees,t=departments --where "1=1" --bulk-delete --limit 1000 --commit-each --primary-key-only --purge --check-slave-lag h=192.168.244.20,P=3306,u=pt_user,p=pt_pass

这里只会检查 192.168.244.20 的延迟情况。

如果有多个从库需要检查，需将 –check-slave-lag 指定多次，每次对应一个从库。

常用参数

–analyze

在执行完归档操作后，执行 ANALYZE TABLE 操作。

后面可接任意字符串，如果字符串中含有 s ，则会在源库执行 ANALYZE 操作。

如果字符串中含有 d ，则会在目标库执行 ANALYZE 操作。

如果同时带有 d 和 s ，则源库和目标库都会执行 ANALYZE 操作。如，

--analyze ds

undefined

–optimize

在执行完归档操作后，执行 OPTIMIZE TABLE 操作。

用法同 –analyze 类似。

–charset

指定连接（Connection）字符集。

在 MySQL 8.0 之前，默认是 latin1。

在 MySQL 8.0 中，默认是 utf8mb4 。

注意，这里的默认值与 MySQL 服务端字符集 character_set_server 无关。

若显式设置了该值，pt-archiver 在建立连接后，会首先执行 SET NAMES ‘charset_name’ 操作。

–[no]check-charset

检查源库（目标库）连接（Connection）字符集和表的字符集是否一致。

如果不一致，则会提示以下错误：

Character set mismatch: --source DSN uses latin1, table uses gbk.  You can disable this check by specifying --no-check-charset.

这个时候，切记不要按照提示指定 –no-check-charset 忽略检查，否则很容易导致乱码。

针对上述报错，可将 –charset 指定为表的字符集。

请注意，此选项不会比较源库和目标库的字符集是否一致。

–[no]check-columns

检查源表和目标表列名称是否匹配。

请注意，只检查列名，而不检查列的顺序和数据类型是否一致。

–columns

归档指定列。

在有自增列的情况下，如果源表和目标表的自增列存在交集，可不归档自增列，这个时候，就需要使用 –columns 显式指定归档列。

–dry-run

只打印待执行的 SQL，不实际执行。

常用于实际操作之前，校验待执行的 SQL 是否符合自己的预期。

–ignore

使用 INSERT IGNORE 归档数据。

–no-delete

不删除源库的数据。

–replace

使用 REPLACE 操作归档数据。

–[no]safe-auto-increment

当存档具有自增量主键的表时，默认情况下不会删除具有最大自增量主键的行。

这样做，主要是为了规避 MySQL 8.0 之前自增主键不能持久化的问题。

在归档整个表时需要注意这一点。

如果需要删除，需指定 –no-safe-auto-increment 。

–source

给出源端实例的信息。

除常用选项外，它还支持以下选项：

• a：指定连接的默认数据库。
• b：设置 SQL_LOG_BIN=0 。 如果是在源库指定，则 DELETE 操作不会写入到 Binlog 中。 如果是在目标库指定，则 INSERT 操作不会写入到 Binlog 中。
• i：设置归档操作使用的索引，默认是主键。

–progress

按单位行数显示进度信息。

如 –progress 10000，则每归档（删除）10000 行，就打印一次进度信息。

TIME                ELAPSED   COUNT
2022-03-06T18:24:19       0       0
2022-03-06T18:24:20       0   10000
2022-03-06T18:24:21       1   20000

第一列是当前时间，第二列是消耗的时间，第三列是已存档(删除)的行数。

总结

之前，我们比较了归档操作中不同参数的执行时间。

其中，–bulk-delete –limit 1000 –commit-each –bulk-insert 是最快的。不指定任何批量操作参数是最慢的。

但在使用 –bulk-insert 时要注意 ，如果导入的过程中出现问题，pt-archiver 是不会提示任何错误的。

常见错误是主键冲突以及数据和目标列之间的数据类型不一致。

如果不使用 –bulk-insert，而是通过默认的 INSERT 操作来归档，大部分错误是可以识别出来的。

例如，主键冲突将提示以下错误。

DBD::mysql::st execute failed: Duplicate entry 'd001' for key 'PRIMARY' [for Statement "INSERT INTO employees.departments(dept_no,dept_name) VALUES (?,?)" with ParamValues: 0='d001', 1='Marketing'] at /usr/local/bin/pt-archiver line 6772.

导入的数据与目标列的数据类型不一致，提示如下错误。

DBD::mysql::st execute failed: Incorrect integer value: 'Marketing' for column 'dept_name' at row 1 [for Statement "INSERT INTO employees.departments(dept_no,dept_name) VALUES (?,?)" with ParamValues: 0='d001', 1='Marketing'] at /usr/local/bin/pt-archiver line 6772.

当然，数据和类型不一致，能被识别出来的前提是归档实例的 SQL_MODE 为严格模式。

如果待归档的实例中有 MySQL 5.6 ，我们其实很难将归档实例的 SQL_MODE 开启为严格模式。

因为 MySQL 5.6 的 SQL_MODE 默认为非严格模式，所以难免会产生很多无效数据，譬如时间字段中的 0000-00-00 00:00:00 。

如果将该无效数据插入到打开了严格模式的归档实例中，则会直接报告错误。

从数据安全的角度来看，最推荐的归档方式是：

1. 先归档，但不删除源库的数据。
2. 比对源库和归档库的数据是否一致。
3. 如果比对结果一致，再删除源库的归档数据。

其中，第一步和第三步可通过 pt-archiver 搞定，第二步可通过 pt-table-sync 搞定。

与这种边存档边删除的方式相比，虽然麻烦，但相对安全。

Original: https://www.cnblogs.com/ivictor/p/16001965.html
Author: iVictor
Title: MySQL 中如何归档数据