Question

我正在构建一个CGI脚本，用于轮询SQLite数据库并构建统计表。下面描述源数据库表，以及相关代码的块。一切正常（功能上），但由于我有多个嵌套的SELECT COUNT(id)调用，因此CGI本身非常慢。我认为我在优化方面的最佳目标是向SO社区提问，因为我在谷歌的时间相对没有用。

表格：

CREATE TABLE messages (
    id TEXT PRIMARY KEY ON CONFLICT REPLACE,
    date TEXT,
    hour INTEGER,
    sender TEXT,
    size INTEGER,
    origin TEXT,
    destination TEXT,
    relay TEXT,
    day TEXT);

（是的，我知道这个表没有标准化，但是它填充了邮件日志中的摘录...我很高兴得到提取和填充工作，更不用说将其正常化。我不认为表结构与我的问题有很多关系，但我可能是错的。）

示例行：

476793200A7|Jan 29 06:04:47|6|admin@mydomain.com|4656|web02.mydomain.pvt|user@example.com|mail01.mydomain.pvt|Jan 29

并且，构建我的表的Python代码：

#!/usr/bin/python
print 'Content-type: text/html\n\n'

from datetime import date

import re
p = re.compile('(\w+) (\d+)')

d_month = {'Jan':1,'Feb':2,'Mar':3,'Apr':4,'May':5,'Jun':6,'Jul':7,'Aug':8,'Sep':9,'Oct':10,'Nov':11,'Dec':12}
l_wkday = ['Mo','Tu','We','Th','Fr','Sa','Su']

days = []
curs.execute('SELECT DISTINCT(day) FROM messages ORDER BY day')
for day in curs.fetchall():
    m = p.match(day[0]).group(1)
    m = d_month[m]
    d = p.match(day[0]).group(2)
    days.append([day[0],"%s (%s)" % (day[0],l_wkday[date.weekday(date(2010,int(m),int(d)))])])

curs.execute('SELECT DISTINCT(sender) FROM messages')
senders = curs.fetchall()
for sender in senders:
    curs.execute('SELECT COUNT(id) FROM messages WHERE sender=%s',(sender[0]))
    print '  <div id="'+sender[0]+'">'
    print '   <h1>Stats for Sender: '+sender[0]+'</h1>'
    print '   <table><caption>Total messages in database: %d</caption>' % curs.fetchone()[0]
    print '    <tr><td>&nbsp;</td><th colspan=24>Hour of Day</th></tr>'
    print '    <tr><td class="left">Day</td><th>%s</th></tr>' % '</th><th>'.join(map(str,range(24)))
    for day in days:
            print '    <tr><td>%s</td>' % day[1]
            for hour in range(24):
                    sql = 'SELECT COUNT(id) FROM messages WHERE sender="%s" AND day="%s" AND hour="%s"' % (sender[0],day[0],str(hour))
                    curs.execute(sql)
                    d = curs.fetchone()[0]
                    print '    <td>%s</td>' % (d>0 and str(d) or '')
            print '    </tr>'
    print '   </table></div>'

print ' </body>\n</html>\n'

我不确定是否有任何方法可以合并某些查询，或者从不同角度处理它以提取数据。我还想过构建一个带有计数的第二个表，并在原始表更新时更新它。我今天一直盯着这个太长时间，所以我明天要再次攻击它，希望能得到专家的一些见解;）

编辑：使用下面提供的GROUP BY答案，我能够在一个查询中获取数据库所需的数据。我切换到Perl，因为Python的嵌套dict支持对于我需要处理它的方式（以特定方式构建一组HTML表）的方式不能很好地工作。以下是修订后的代码片段：

my %data;
my $rows = $db->selectall_arrayref("SELECT COUNT(id),sender,day,hour FROM messages GROUP BY sender,day,hour ORDER BY sender,day,hour");
for my $row (@$rows) {
    my ($ct, $se, $dy, $hr) = @$row;
    $data{$se}{$dy}{$hr} = $ct;
}
for my $se (keys %data) {
    print "Sender: $se\n";
    for my $dy (keys %{$data{$se}}) {
    print "Day: ",time2str('%a',str2time("$dy 2010"))," $dy\n";
        for my $hr (keys %{$data{$se}{$dy}}) {
            print "Hour: $hr = ".$data{$se}{$dy}{$hr}."\n";
        }
    }
    print "\n";
}

曾经在大约28.024秒执行的东西现在需要0.415秒！

Answer 1

首先，您可以使用group by子句：

select count(*), sender from messages group by sender;

并使用此方法为所有发件人执行一个查询，而不是查询每个发件人。另一种可能性是：

select count(*), sender, day, hour
    from messages group by sender, day, hour
    order by sender, day, hour;

我没有测试它，但至少现在你知道group by子句的存在。这应该减少查询次数，我认为这是提高性能的第一个重要步骤。

第二，根据搜索列创建索引，例如发件人，日期和小时。

如果这还不够，请使用分析工具查找花费最多时间的位置。你还应该考虑使用fetchmany而不是fetchall来保持低内存消耗。请记住，因为sqlite模块是用C语言编写的，所以尽可能使用它。

Answer 2

首先，创建一个索引：

CREATE INDEX messages_sender_by_day ON消息（发件人，日期）;

（你可能不需要在那里加入“小时”。）

如果这没有用，或者您已经尝试过，那么请稍微修改一下您的问题：给我们一些代码来为表中的所有索引生成测试数据和SQL。

维护计数缓存很常见，但我不知道这是否需要。

如何在SQLite中优化多个嵌套的SELECT（使用/ Python）？

2 个答案: