Question

好的，所以我有一个非常可怕的MySQL表（900k记录，总共180 MB），我想从更高date_updated的子组记录中提取并计算每组中的加权平均值。计算运行约15个小时，我有一种强烈的感觉，我做错了。

首先，怪异的表格布局：

category
element_id
date_updated
value
weight
source_prefix
source_name

这里只有关键点在element_id上（BTREE，~8k个独特元素）。

计算过程：

为每个组和子组创建哈希。

CREATE TEMPORARY TABLE `temp1` (INDEX ( `ds_hash` ))
                SELECT `category`, 
                `element_id`, 
                `source_prefix`, 
                `source_name`, 
                `date_updated`, 
                `value`, 
                `weight`, 
                MD5(CONCAT(`category`, `element_id`, `source_prefix`, `source_name`)) AS `subcat_hash`, 
                MD5(CONCAT(`category`, `element_id`, `date_updated`)) AS `cat_hash` 
                FROM `bigbigtable` WHERE `date_updated` <= '2009-04-28'

我真的不明白哈希这个大惊小怪，但这种方式更快。我猜想，黑暗魔法。

查找每个子组的最大日期

CREATE TEMPORARY TABLE `temp2` (INDEX ( `subcat_hash` ))

                SELECT MAX(`date_updated`) AS `maxdate` , `subcat_hash`
                FROM `temp1`
                GROUP BY `subcat_hash`;

使用temp2加入temp1以查找类别的加权平均值

CREATE TEMPORARY TABLE `valuebycats` (INDEX ( `category` ))
            SELECT `temp1`.`element_id`, 
                   `temp1`.`category`, 
                   `temp1`.`source_prefix`, 
                   `temp1`.`source_name`, 
                   `temp1`.`date_updated`, 
                   AVG(`temp1`.`value`) AS `avg_value`,
            SUM(`temp1`.`value` * `temp1`.`weight`) / SUM(`weight`) AS `rating`

            FROM `temp1` LEFT JOIN `temp2` ON `temp1`.`subcat_hash` = `temp2`.`subcat_hash`
            WHERE `temp2`.`subcat_hash` = `temp1`.`subcat_hash`
            AND `temp1`.`date_updated` = `temp2`.`maxdate`

            GROUP BY `temp1`.`cat_hash`;

（现在我浏览了它并将其写下来，在我看来，我应该在最后一个查询中使用INNER JOIN（以避免900k * 900k临时表）。

仍然有正常的方式这样做吗？

UPD ：一些图片供参考：

删除了死亡的ImageShack链接

UPD ：解析建议的解决方案：

+----+-------------+-------+------+---------------+------------+---------+--------------------------------------------------------------------------------------+--------+----------+----------------------------------------------+
| id | select_type | table | type | possible_keys | key        | key_len | ref                                                                                  | rows   | filtered | Extra                                        |
+----+-------------+-------+------+---------------+------------+---------+--------------------------------------------------------------------------------------+--------+----------+----------------------------------------------+
|  1 | SIMPLE      | cur   | ALL  | NULL          | NULL       | NULL    | NULL                                                                                 | 893085 |   100.00 | Using where; Using temporary; Using filesort |
|  1 | SIMPLE      | next  | ref  | prefix        | prefix     | 1074    | bigbigtable.cur.source_prefix,bigbigtable.cur.source_name,bigbigtable.cur.element_id |      1 |   100.00 | Using where                                  |
+----+-------------+-------+------+---------------+------------+---------+--------------------------------------------------------------------------------------+--------+----------+----------------------------------------------+

Answer 1

使用散列是数据库引擎执行连接的方式之一。你必须编写自己的基于哈希的连接是非常罕见的;这肯定看起来不像其中之一，有900k行表和一些聚合。

根据您的评论，此查询可能会执行您要查找的内容：

SELECT cur.source_prefix, 
       cur.source_name, 
       cur.category, 
       cur.element_id,
       MAX(cur.date_updated) AS DateUpdated, 
       AVG(cur.value) AS AvgValue,
       SUM(cur.value * cur.weight) / SUM(cur.weight) AS Rating
FROM eev0 cur
LEFT JOIN eev0 next
    ON next.date_updated < '2009-05-01'
    AND next.source_prefix = cur.source_prefix 
    AND next.source_name = cur.source_name
    AND next.element_id = cur.element_id
    AND next.date_updated > cur.date_updated
WHERE cur.date_updated < '2009-05-01'
AND next.category IS NULL
GROUP BY cur.source_prefix, cur.source_name, 
    cur.category, cur.element_id

GROUP BY执行每个源+类别+元素的计算。

JOIN用于过滤掉旧条目。它查找以后的条目，然后WHERE语句过滤掉后面的条目所在的行。像这样的连接受益于（source_prefix，source_name，element_id，date_updated）上的索引。

有许多方法可以过滤掉旧条目，但是这个方法往往表现得非常好。

Answer 2

好的，所以900K行不是一张大表，它相当大，但你的查询真的不应该花这么长时间。

首先，上述3个陈述中哪一个花费的时间最多？

我看到的第一个问题是你的第一个问题。您的WHERE子句不包含索引列。所以这意味着它必须对整个表进行全表扫描。

在“data_updated”列上创建索引，然后再次运行查询，看看它对您有什么作用。

如果你不需要哈希并只使用它们来利用黑暗魔法，那就完全删除它们。

编辑：比我更多SQL-fu的人可能会在不使用临时表的情况下将整个逻辑集合减少为一个SQL语句。

编辑：我的SQL有点生疏，但你是否在第三个SQL版本中加入了两次？也许它不会有所作为，但不应该是：

SELECT temp1.element_id, 
   temp1.category, 
   temp1.source_prefix, 
   temp1.source_name, 
   temp1.date_updated, 
   AVG(temp1.value) AS avg_value,
   SUM(temp1.value * temp1.weight) / SUM(weight) AS rating
FROM temp1 LEFT JOIN temp2 ON temp1.subcat_hash = temp2.subcat_hash
WHERE temp1.date_updated = temp2.maxdate
GROUP BY temp1.cat_hash;

或

SELECT temp1.element_id, 
   temp1.category, 
   temp1.source_prefix, 
   temp1.source_name, 
   temp1.date_updated, 
   AVG(temp1.value) AS avg_value,
   SUM(temp1.value * temp1.weight) / SUM(weight) AS rating
FROM temp1 temp2
WHERE temp2.subcat_hash = temp1.subcat_hash
AND temp1.date_updated = temp2.maxdate
GROUP BY temp1.cat_hash;

SQL魔术 - 查询不应该花费15个小时，但确实如此

2 个答案: