Question

我想处理存储在MySQL中的超过1000万个数据。所以我写了这个来将sql分成几个部分然后连接后一个进程的数据。如果count < 2 millions，它的效果很好。然而，当count上升时，sqlalchemy消耗的时间会更长。

def fetch_from_sql(_sql_pat, count):
    """
    :param _sql_pat: SELECT id, data FROM a.b LIMIT {},{};
    :param count: how many data you want to fetch from mysql
    :return: generator
    """
    def gen_connect(sql):
        __engine = create_engine(db_config['SQLALCHEMY_DATABASE_URI'])
        with __engine.connect() as c:
            for row in c.execute(sql)
                yield row

    def gen_range(limit, step):
        if step > limit:
            yield 0, limit
        else:
            R = range(0, limit + 1, step)
            for idx, v in enumerate(R):
                if idx == 0:
                    yield v, step
                elif limit - v >= step:
                    yield v + 1, step
                else:
                    yield v + 1, limit - v

    sqls = [_sql_pat.format(start, step) for start, step in gen_range(count, 100000)]
    sources = (gen_connect(sql) for sql in sqls)
    for s in sources:
        for item in s:
            yield item
        gc.collect()

问题是sqlalchemy花费越来越多时间的原因（我在下面记录时间和帖子），以及处理这种情况的最佳方法是什么？

Dumped 10000 items, at 2016-10-08 11:55:33
Dumped 1000000 items, at 2016-10-08 11:59:23
Dumped 2000000 items, at 2016-10-08 12:05:07
Dumped 3000000 items, at 2016-10-08 13:54:05

Answer 1

这是因为您正在使用LIMIT / OFFSET，因此当您指定偏移量3000000时，数据库必须跳过超过3000000条记录。

执行此操作的正确方法是ORDER BY某个索引列，例如主键id列，然后执行WHERE id > :last_fetched_id。

使用sqlalchemy从mysql获取大量数据的最佳方法是什么？

1 个答案: