PHP做mysql分表統(tǒng)計(jì)大數(shù)據(jù)如何做

背景是這樣的：根據(jù)用戶id分20張表記錄核心數(shù)據(jù)，由于用戶與用戶之間所擁有的可能存在重復(fù)數(shù)據(jù)，所以每天晚上都要對總體數(shù)據(jù)進(jìn)行去重統(tǒng)計(jì)，也就是要將20張表的數(shù)據(jù)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(gè)任務(wù)

由于20張表的數(shù)據(jù)超過千萬，而且還會增加，不太可能通過sql去重統(tǒng)計(jì)。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(jì)（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(gè)小時(shí)，有時(shí)候還會失敗

還有就是數(shù)據(jù)需要根據(jù)數(shù)據(jù)來源去重統(tǒng)計(jì)以及總數(shù)據(jù)去重統(tǒng)計(jì)，并且隨時(shí)用戶都有增刪查改的操作，所以無法對所有數(shù)據(jù)匯總建立去重總表（如果建立去重總表，數(shù)據(jù)將分不出來源，無法統(tǒng)計(jì)，而且增刪查改很難實(shí)時(shí)維護(hù)）

求助：請問各位大神，是否有比較靠譜的統(tǒng)計(jì)方案？急急急！（產(chǎn)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(jì)
除了第一次全量統(tǒng)計(jì)，以后只統(tǒng)計(jì)新增的(根據(jù)數(shù)據(jù)添加時(shí)間)和新更新的(根據(jù)數(shù)據(jù)更新時(shí)間)。

刪除操作只做邏輯刪除，每張表都應(yīng)該有添加時(shí)間和更新時(shí)間并且更新時(shí)間最好設(shè)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(biāo)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(shí)間',
  `add_time` timestamp NOT NULL DEFAULT CURRENT_TIMESTAMP COMMENT '添加時(shí)間'
) ENGINE=InnoDB DEFAULT CHARSET=utf8 COMMENT='xxxxx';

2017年10月11日 22:05

編輯回答

裸橙

產(chǎn)品腦殘給你挖的坑，還要你在未來很長一段時(shí)間內(nèi)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(jì)腳本運(yùn)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(jì)時(shí)間

操作過程是這樣的：

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

第二步：先從日志表中讀出各表最后一次統(tǒng)計(jì)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(jì)的用戶ID，獲取增量部分?jǐn)?shù)據(jù)，這部分?jǐn)?shù)據(jù)量小，統(tǒng)計(jì)效率高），再匯總用戶聯(lián)系方式且記錄本次運(yùn)行日志。

后續(xù)重復(fù)第二步!

user_contact_aggregate 表幾千萬條數(shù)據(jù)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