PHP做mysql分表統(tǒng)計大數(shù)據如何做

背景是這樣的：根據用戶id分20張表記錄核心數(shù)據，由于用戶與用戶之間所擁有的可能存在重復數(shù)據，所以每天晚上都要對總體數(shù)據進行去重統(tǒng)計，也就是要將20張表的數(shù)據合并去重（去重條件是姓名和聯(lián)系方式一模一樣），而且每天晚上都要跑這個任務

由于20張表的數(shù)據超過千萬，而且還會增加，不太可能通過sql去重統(tǒng)計。我現(xiàn)在的做法是逐行讀取將去重字段（姓名和聯(lián)系方式）md5然后存入redis集合（會自動去重），最后用redis統(tǒng)計（辦法很蠢，可是想不出其他辦法了），但是這樣腳本會跑接近兩個小時，有時候還會失敗

還有就是數(shù)據需要根據數(shù)據來源去重統(tǒng)計以及總數(shù)據去重統(tǒng)計，并且隨時用戶都有增刪查改的操作，所以無法對所有數(shù)據匯總建立去重總表（如果建立去重總表，數(shù)據將分不出來源，無法統(tǒng)計，而且增刪查改很難實時維護）

求助：請問各位大神，是否有比較靠譜的統(tǒng)計方案？急急急?。óa品是爹，開發(fā)是孫子，再變態(tài)的需求也只能啃）

回答

編輯回答

掛念你

可以增量統(tǒng)計
除了第一次全量統(tǒng)計，以后只統(tǒng)計新增的(根據數(shù)據添加時間)和新更新的(根據數(shù)據更新時間)。

刪除操作只做邏輯刪除，每張表都應該有添加時間和更新時間并且更新時間最好設置為自動更新。
比如：

CREATE TABLE `table_name` (
  `xx` varchar(50) NOT NULL DEFAULT '' COMMENT 'xx',
  `del_flag` tinyint(1) NOT NULL DEFAULT '0' COMMENT '標志，0為有效，-1為無效',
  `update_time` timestamp NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP COMMENT '更新時間',
  `add_time` timestamp NOT NULL DEFAULT CURRENT_TIMESTAMP COMMENT '添加時間'
) ENGINE=InnoDB DEFAULT CHARSET=utf8 COMMENT='xxxxx';

2017年10月11日 22:05

編輯回答

裸橙

產品腦殘給你挖的坑，還要你在未來很長一段時間內去慢慢填。同情!

我來說一下我的思路。

增加兩張表:

* #用戶聯(lián)系方式匯總
user_contact_aggregate
id         #id      
md5_str    #姓名+聯(lián)系方式的MD5串
table_name #位于哪張表中
row_id     #指定張表中用戶ID
key idx_md5_str(md5_str) #注意增加索引

* #記錄統(tǒng)計腳本運行日志
user_run_aggregate_log
id          #id
table_name  #哪張表
last_row_id     #指定張表中最后的用戶ID
last_time   #最后一次統(tǒng)計時間

操作過程是這樣的：

第一步:將所有的數(shù)據寫到user_contact_aggregate表（本次需要時間長一點，后面就爽了）,且記錄一下運行日志.

第二步：先從日志表中讀出各表最后一次統(tǒng)計的最大的用戶ID，然后從各表中查詢出新增的用戶（條件id是大于最后一次統(tǒng)計的用戶ID，獲取增量部分數(shù)據，這部分數(shù)據量小，統(tǒng)計效率高），再匯總用戶聯(lián)系方式且記錄本次運行日志。

后續(xù)重復第二步!

user_contact_aggregate 表幾千萬條數(shù)據問題不大，按照md5_str查詢效率很高.

2017年7月4日 21:36

編輯回答