多进程PHP脚本实现海量数据转移总结
由于项目的新版本有大改动，需求是将一些旧表的数据转移到新表来，于是使用PHP写了数据脚本，对MySQL的数据进行读取，计算，转移，插入等处理，实现千万级别数据的计算和转移。这里面也遇到一些问题，这里做下总结：
需求：
1、将几个旧表的数据拷到新表来，有些字段发生了变化，有些字段的值需要计算；
2、单表数据量到达千万级，而且线上有多个库，要对脚本进行必要的优化；
3、脚本执行时间控制在两个小时之内；
说下以下几点：
1、分析表数据的关联性，整合脚本。
分析了几个表数据之间的联系，可以将一些有关联的表的数据放在一个数据脚本中，比如user表和user_detail表，这两个表的数据是有一些关联的，一些数据值的计算不用重复读取，减少脚本的计算操作，节约时间；
2、数据读取时，减少配置数据的加载操作，减少数据查询操作。
开始数据转移时，必要的配置数据必须在脚本开始时全部加载进来，不能在转移时用到再去进行查询，因为每次查询都是意味着消耗更多时间。当然这里有个前提是你的机器内存要够大，PHP的这种加载是比较消耗内存的。一个脚本运行起来，内存都要占了很多G，这种其实就是用空间换时间的做法。当然，当机器内存不够大，或者性能不够强时，还是先保证脚本的健壮性，再来考虑性能。
PHP可以使用set_time_limit ( 0 ); @ini_set('memory_limit','2048M');来指定脚本执行的最长时间和使用内存的最大值；
3、脚本处理数据时，需要分段分批处理。
我们在处理数据时，需要先读取出用户id，在根据id查询表的数据再做处理。就是我们的处理逻辑都是以用户id为基准，按照用户id做key，数据做value的方式，遍历数据。为了减少机器的负载，充分利用机器的性能，我们使用一个while循环，每次处理3000个用户的数据，转移完后再查询出3000个用户的数据，如此类推，直到所有数据处理完，也就是跳出while循环。
同时必须要保证数据的有效性，不然insert不进去。这里还遇到过一个问题，就是在使用PHP的函数批量insert数据时，有时一个sql语句数据量太多，会超过MySQL最大的insert限制，所以在insert之前，需要将需要插入的数据进行分段，也就是对数据进行隔断处理，分批插入。PHP中可以使用array_slice()对数组数据进行分段。
4、将多次MySQL处理集合在一次的commit上。
我们在一次循环中是使用了一次try-catch来监控一次操作，当某个数据处理有异常时，就直接抛出异常，保证每次处理数据的完整性。我们每次处理开始前，先开启一个事务，处理完成后会进行一次提交事务。为了节省时间，可以优化成：开启一个事务，在遍历了多个用户数据后，再进行一次提交，或者在遇到异常后也提交一次，这样可以保证数据完整，也可以减少多次commit db的操作，节约时间。
5、使用shell脚本整合每个PHP脚本，开启多个PHP进程。
因为我们处理一个库的数据要涉及到多个PHP脚本，可以使用shell来整合多个脚本，并且让其顺序执行。使用nohub命令不挂断地运行命令（后面再单独介绍这个linux命令）。根据机器的核数来开启多少个PHP进程，充分发挥机器的性能。
例子：
比如执行一个PHP脚本，可以这样子：
进程1：php move_user.php a 0 10000
进程2：php move_user.php a 10000 20000
进程3：php move_user.php b 0 10000
进程4：php move_user.php b 10000 20000
这样表示使用PHP cli模式（命令模式）执行一个PHP脚本，对于进程1，a 表示是数据库a，0 和10000表示从用户id 0开始，执行到用户id 10000 结束，一个进程处理10000个用户数据。
进程2表示执行数据库a 10000 到20000的用户数据。
这样多个进程，可以同时执行多个库的数据，多个区段的用户数据，节省时间。
当然，每次处理多少个用户数据，每次开多少个进场，每次遍历多少数据，都是根据项目的业务数据，和机器的最大负载来综合处理，达到一个平衡状态。
总结
此次数据处理原本预期要一个小时，结果由于其他原因，后面花费了两个多小时，但整体都是在计划之内，所以是正常的；
PHP和MySQL做数据交互，充分利用了PHP的性能后，瓶颈就在与MySQL更新和插入数据了，我们就是通过分段循环处理，分段提交事务来平衡了MySQL的瓶颈；
MySQL单表数据太大，后面需要单独对这块进行优化，不然以后对数据进行更新和备份时，都要浪费大量的时间；
必须保证脚本逻辑没有问题，不然后面重跑就很蛋疼了。
更多分享欢迎关注公众号【php_beginner】！
网友评论