如果你對長篇大論沒有興趣，也可以直接看看結果，或許你對結果感興趣。在實際應用中經過存儲、優化可以做到在超過9千萬數據中的查詢響應速度控制在1到20毫秒。看上去是個不錯的成績，不過優化這條路沒有終點，當我們的系統有超過幾百人、上千人同時使用時，仍然會顯的力不從心。

目錄：

    分區存儲
    優化查詢
    改進分區
    模糊搜索
    持續改進的方案

正文：

    分區存儲
    對于超大的數據來說，分區存儲是一個不錯的選擇，或者說這是一個必選項。對于本例來說，數據記錄來源不同，首先可以根據來源來劃分這些數據。但是僅僅這樣還不夠，因為每個來源的分區的數據都可能超過千萬。這對數據的存儲和查詢還是太大了。MySQL5.x以后已經比較好的支持了數據分區以及子分區。因此數據就采用分區+子分區來存儲。

    下面是基本的數據結構定義：

    對于擁有分區及子分區的數據表，分區條件（包括子分區條件）中使用的數據列，都應該定義在primary key 或者 unique key中。詳細的分區定義格式，可以參考MySQL的文檔。上面的結構是第一稿的存儲方式（后文還將進行修改）。采用load data infile的方式加載，用時30分鐘加載8千萬記錄。感覺還是挺快的（bulk_insert_buffer_size=8m）。
    基本查詢優化
    數據裝載完畢后，我們測試了一個查詢：

    這是毋庸置疑的，通過id進行查詢是使用了主鍵，查詢速度會很快。但是這樣的做法幾乎沒有意義。因為對于終端用戶來說，不可能知曉任何的資料的id的。假如需要按照username來進行查詢的話：

    那這個查詢就沒法用了。根本就沒人能等待一個上億表的全表搜索！這是我們就考慮是否給username創建一個索引，這樣肯定會提高查詢速度：

        create index idx_username on tmp_sampledata(username);

    這個創建索引的時間很久，似乎超過了數據裝載時間，不過好歹建好了。

    和預期的一樣，這個查詢使用了索引，查詢速度在可接受范圍內。
    但是這帶來了另外一個問題：創建索引需要而外的空間！！當我們對username和email都創建索引時，空間的使用大幅度的提升！這同樣不是我們期望看到的（無奈的選擇？）。

    除了使用索引，并保證其在查詢中能使用到此索引外，分區的關鍵字段是一個很重要的優化因素，比如下面的這個例子：

    同一個查詢語句在根據是否針對分區限定做查詢時，查詢成本相差很大：

        where username='abcdef'                                                    rows: 80
        where username='abcdef' and src in (2,3,4,5)            rows: 40
        where username='abcdef' and src in (2)                        rows: 10
        where username='abcdef' and src in (2,3)                    rows: 20

    從分析中看出，當根據src（分區表的分區字段）進行查詢限定時，被影響的數目（rows）在發生著變化。rows:80代表著需要對8個分區進行搜索。
    改進數據存儲：另一種分區格式
    既然在統計應用中，最多用的是通過username, email進行數據查詢，那么在表存儲時，應該考慮使用username,email進行分區，而不是通過id。因此重新創建分區表，導入數據：

    這個定義沒什么問題，按照預期，它將根據primary key來進行數據表分區。但是這有一個非常非常嚴重的性能問題：數據在load data infile的時候，同時對數據進行索引創建。這大大延長了數據裝載時間，同樣是不可忍受的情況。上面這個例子，如果建表時啟用了 primary key 或者 unique key, 在我的測試系統上，load data infile執行了超過12小時。而下面這個：

    數據裝載僅僅用了5分鐘：
    mysql> load data infile ‘cvsfile.txt' into table tmp_sampledata fields terminated by ‘\t' escaped by ”;
    Query OK, 74352359 rows affected, 65535 warnings (5 min 23.67 sec)
    Records: 74352359 Deleted: 0 Skipped: 0 Warnings: 51267046

    So，所有的問題，又回到了2.上
    測試查詢中的模糊搜索
    對于創建好索引的大數據表，一般般的針對性的查詢，應該可以滿足需要。但是有些查詢可能不能通過索引來發揮效率，比如查詢以 163.com 結尾的郵箱:

        select … from … where email like ‘%163.com'

    即便數據針對 email 建立有索引，上面的查詢是用不到那個索引的。如果我們使用的是 oracle，那么還可以建立一個反向索引，但是mysql不支持反向索引。所以如果發生類似的查詢，只有兩種方案可以：
        通過數據冗余，把需要的字段反轉一遍另外保存，并創建一個索引
        這樣上面的那個查詢可以通過 where email like ‘moc.361%' 來完成，但是這個成本（存儲、更新）太高昂了
        通過全文檢索fulltext來實現。不過mysql同樣在分區表上不支持fulltext(或許等待以后的版本吧。)
        自己做分詞fulltext
    沒有最終方案

            創建一個不含任何索引、鍵的分區表；
            導入數據；
            創建索引；

    因為創建索引要花很久時間，此處做了個小小調整，提高myisam索引的排序空間為1G（默認是8m）：

        mysql> set myisam_sort_buffer_size=1048576000;
        Query OK, 0 rows affected (0.00 sec)

        mysql> create index idx_username_src on tmp_sampledata (username,src);
        Query OK, 74352359 rows affected (7 min 13.11 sec)
        Records: 74352359 Duplicates: 0 Warnings: 0

        mysql> create index idx_email_src on tmp_sampledata (email,src);
        Query OK, 74352359 rows affected (10 min 48.30 sec)
        Records: 74352359 Duplicates: 0 Warnings: 0

        mysql> create index idx_src_username_email on tmp_sampledata(src,username,email);
        Query OK, 74352359 rows affected (16 min 5.35 sec)
        Records: 74352359 Duplicates: 0 Warnings: 0

    實際應用中，此表可能不需要這么多索引的，都建立一遍，只是為了展示一下創建的速度而已。
    實際應用中的效果
    存儲的問題暫時解決到這里了，接下來經過了一系列的服務器參數調整以及查詢的優化，我只能做到在這個超過9千萬數據中的查詢響應速度控制在1到20毫秒。聽上去是個不錯的成績。但是當我們的系統有超過幾百個人同時使用時，仍然顯的力不從心。或許日后還有機會能更優化這個存儲與查詢。讓我慢慢期待吧。