Question

我正在对数据库中的所有行运行批处理操作。这包括选择每个模型并对其做一些事情。将它分成块并将其分块大块是有意义的。

我目前正在使用Paginator，因为它很方便。这意味着我需要对值进行排序，以便可以按顺序分页。这会产生具有order和limit子句的SQL语句，对于每个块，我认为Postgres可能会对整个表进行排序（尽管我不能声称对内部有任何了解）。我所知道的是，数据库的CPU占用率约为50％，而且我觉得只有select这样做太高了。

以RDMBS / CPU友好的方式迭代整个表的最佳方法是什么？

假设在批处理操作期间数据库的内容没有改变。

Answer 1

根据您的说明，您实际上并不关心您处理的行的排序顺序。如果你的表中有主键（我期望！），这种粗略的分区方法将快得多：

SELECT * FROM tbl WHERE id BETWEEN 0    AND 1000;
SELECT * FROM tbl WHERE id BETWEEN 1001 AND 2000;
...

对于任何大小的表，它对任何偏移执行相同的操作，并且（几乎）相同。检索主键的最小值和最大值并相应地进行分区：

SELECT min(id), max(id) from tbl; -- then divide in suitable chunks

相反：

SELECT * FROM tbl ORDER BY id LIMIT 1000;
SELECT * FROM tbl ORDER BY id LIMIT 1000 OFFSET 1000;
...

这通常较慢，因为所有行都必须进行排序，并且性能会因较高的偏移量和较大的表而降低。

Answer 2

以下代码为Django QuerySet实现了Erwin对上面的回答（使用BETWEEN）：

为任意Django QuerySet执行此操作的实用程序函数如下所示。它默认假设'id'是用于between子句的合适字段。

def chunked_queryset(qs, batch_size, index='id'):
    """
    Yields a queryset split into batches of maximum size 'batch_size'.
    Any ordering on the queryset is discarded.
    """
    qs = qs.order_by()  # clear ordering
    min_max = qs.aggregate(min=models.Min(index), max=models.Max(index))
    min_id, max_id = min_max['min'], min_max['max']
    for i in range(min_id, max_id + 1, batch_size):
        filter_args = {'{0}__range'.format(index): (i, i + batch_size - 1)}
        yield qs.filter(**filter_args)

它会像这样使用：

for chunk in chunked_queryset(SomeModel.objects.all(), 20):
    # `chunk` is a queryset
    for item in chunk:
        # `item` is a SomeModel instance
        pass

使用Django QuerySet以块的形式处理数据库的最佳方法？

2 个答案: