如何判断Postgres中的记录是否发生了变化

时间:2012-09-19 20:48:11

标签: postgresql file-io postgresql-9.1 upsert postgresql-copy

我有一点“upsert”类型的问题...但是,我想把它扔出去,因为它与我在stackoverflow上读到的任何东西都有点不同。

基本问题。

我正在努力从mysql迁移到PostgreSQL 9.1.5(在Heroku上托管)。作为其中的一部分,我需要每天导入多个CSV文件。一些数据是销售信息,几乎保证是新的,需要插入。但是,数据的其他部分几乎保证是相同的。例如,csv文件(注释复数)将在其中具有POS(销售点)信息。这很少改变(最有可能只是通过添加)。然后是产品信息。大约有10,000种产品(绝大多数产品将保持不变,但可以同时添加和更新)。

最后一项(但很重要)是,我要求能够为任何给定项目提供审计跟踪/信息。例如,如果我添加一个新的POS记录,我需要能够追溯到它找到的文件。如果我更改了UPC代码或产品描述,那么我需要能够追溯它到变更来源的导入(和文件)。

我正在考虑的解决方案。

由于数据是通过CSV提供给我的,所以我正在努力解决COPY将是最好/最快的方法。文件中数据的结构与数据库中的数据结构不同(即最终目的地)。因此,我将它们复制到与CSV匹配的登台模式中的表中(注意:每个数据源一个模式)。登台模式中的表将具有前插入行触发器。这些触发器可以决定如何处理数据(插入,更新或忽略)。

对于最有可能包含新数据的表,它将首先尝试插入。如果记录已经存在,那么它将返回NULL(并将插入停止到登台表中)。对于很少更改的表,它将查询表并查看是否找到了记录。如果是,那么我需要一种方法来查看是否有任何字段被更改。 (因为记住,我需要表明记录是通过从文件y导入x来修改的)我显然可以将代码清空并测试每一列。但是,正在寻找一些比这更“雄辩”和更易于维护的东西。

在某种程度上,我正在做的是将导入系统与审计跟踪系统相结合。因此,在研究审计跟踪时,我回顾了以下wiki.postgresql.org文章。似乎hstore可能是获取更改的一种很好的方式(并且能够轻松忽略表中不重要的某些列 - 例如“last_modified”)

我大约90%肯定它会全部工作......我已经创建了一些测试表等,并且用它来玩。

我的问题?

是一种更好,更易于维护的方法,可以完成从10K中找到需要更改数据库的3条记录的任务。我当然可以编写一个python脚本(或其他东西)来读取文件并尝试弄清楚如何处理每条记录,但这种效率非常低效,并且会导致大量的往返。

最后几件事:

  1. 我无法控制输入文件。如果他们只向我发送了三角洲,我会很喜欢它,但他们没有,而且完全不受我的控制或影响。
  2. 他的系统正在增长,并且可能会添加新的数据源,这将大大增加正在处理的数据量(因此,我正在努力保持高效)
  3. 我知道这不是一个好的,简单的问题(比如“如何在python中对列表进行排序”)但我相信SO的一个好处就是你可以提出难题,人们会分享他们对如何思考他们认为解决问题的最佳方法是。

1 个答案:

答案 0 :(得分:7)

我有很多类似的操作。我所做的是COPY临时登台表

CREATE TEMP TABLE target_tmp AS
SELECT * FROM target_tbl LIMIT 0;  -- only copy structure, no data

COPY target_tmp FROM '/path/to/target.csv';

对于效果,请运行ANALYZE - temp。表格不会被autovacuum分析!

ANALYZE target_tmp; 

另外,对于性能,甚至可以在临时表上创建一个或两个索引,或者如果数据允许则添加主键。

ALTER TABLE ADD CONSTRAINT target_tmp_pkey PRIMARY KEY(target_id);

对于小型导入,您不需要性能。

然后使用全范围的SQL命令来消化新数据 例如,如果目标表的主键是target_id ..

也许 DELETE 还有什么不存在?

DELETE FROM target_tbl t
WHERE NOT EXISTS (
   SELECT 1 FROM target_tmp t1
   WHERE  t1.target_id = t.target_id
);

然后 UPDATE 已经存在的内容:

UPDATE target_tbl t
SET    col1 = t1.col1
FROM   target_tmp t1
WHERE  t.target_id = t1.target_id

要避免清空 UPDATE,只需添加:

...
AND    col1 IS DISTINCT FROM t1.col1; -- repeat for relevant columns

或者,如果整行是相关的:

...
AND    t IS DISTINCT FROM t1;         -- check the whole row

然后 INSERT 新内容:

INSERT INTO target_tbl(target_id, col1)
SELECT t1.target_id, t1.col1
FROM   target_tmp t1
LEFT   JOIN target_tbl t USING (target_id)
WHERE  t.target_id IS NULL;

如果会话继续进行清理(临时表在会话结束时自动删除):

DROP TABLE target_tmp;

或使用ON COMMIT DROP或类似CREATE TEMP TABLE 代码未经测试,但应该在PostgreSQL的任何现代版本中工作,除了拼写错误。