怎么还有人问 MySQL 是如何归档数据的呢？-mysql数据归档

归档，在MySQL中，是一个相对高频的操作。

它通常涉及以下两个动作：

迁移：将数据从业务实例迁移到归档实例。
删除：从业务实例中删除已迁移的数据。

在处理类似需求时，都是开发童鞋提单给DBA，由DBA来处理。

于是，很多开发童鞋就好奇，DBA都是怎么执行归档操作的？归档条件没有索引会锁表吗？安全吗，会不会数据删了，却又没归档成功？

针对这些疑问，下面介绍MySQL中的数据归档神器——pt-archiver。

一、什么是 pt-archiver

pt-archiver是Percona Toolkit中的一个工具。

Percona Toolkit是Percona公司提供的一个MySQL工具包。

工具包里提供了很多实用的MySQL管理工具。

譬如，我们常用的表结构变更工具pt-online-schema-change，主从数据一致性校验工具pt-table-checksum。

毫不夸张地说，熟练使用Percona Toolkit是MySQL DBA必备的技能之一。

二、安装

Percona Toolkit下载地址：https://www.percona.com/downloads/percona-toolkit/LATEST/

官方针对多个系统提供了现成的软件包。

我常用的是Linux - Generic二进制包。

下面以Linux - Generic版本为例，看看它的安装方法。

# cd /usr/local/
# wget https://downloads.percona.com/downloads/percona-toolkit/3.3.1/binary/tarball/percona-toolkit-3.3.1_x86_64.tar.gz --no-check-certificate
# tar xvf percona-toolkit-3.3.1_x86_64.tar.gz
# cd percona-toolkit-3.3.1
# yum install perl-ExtUtils-MakeMaker perl-DBD-MySQL perl-Digest-MD5
# perl Makefile.PL
# make
# make install

三、简单入门

首先，我们看一个简单的归档Demo。

测试数据

mysql> show create table employees.departments\G
*************************** 1. row ***************************
      Table: departments
Create Table: CREATE TABLE `departments` (
 `dept_no` char(4) NOT NULL,
 `dept_name` varchar(40) NOT NULL,
 PRIMARY KEY (`dept_no`),
 UNIQUE KEY `dept_name` (`dept_name`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_0900_ai_ci
1 row in set (0.00 sec)
mysql> select * from employees.departments;
+---------+--------------------+
| dept_no | dept_name          |
+---------+--------------------+
| d009    | Customer Service   |
| d005    | Development        |
| d002    | Finance            |
| d003    | Human Resources    |
| d001    | Marketing          |
| d004    | Production         |
| d006    | Quality Management |
| d008    | Research           |
| d007    | Sales              |
+---------+--------------------+
9 rows in set (0.00 sec)

下面，我们将employees.departments表的数据从192.168.244.10归档到192.168.244.128。

具体命令如下：

pt-archiver --source h=192.168.244.10,P=3306,u=pt_user,p=pt_pass,D=employees,t=departments --dest h=192.168.244.128,P=3306,u=pt_user,p=pt_pass,D=employees,t=departments --where "1=1"

命令行中指定了三个参数。

--source：源库（业务实例）的DSN。

DSN在Percona Toolkit中比较常见，可理解为目标实例相关信息的缩写。

支持的缩写及含义如下：

--dest：目标库（归档实例）的DSN。
--where：归档条件。"1=1"代表归档全表。

四、实现原理

下面结合General log的输出看看pt-archiver的实现原理。

源库日志

2022-03-06T10:58:20.612857+08:00       10 Query SELECT /*!40001 SQL_NO_CACHE */ `dept_no`,`dept_name` FROM `employees`.`departments` FORCE INDEX(`PRIMARY`) WHERE (1=1) ORDER BY `dept_no` LIMIT 1
2022-03-06T10:58:20.613451+08:00       10 Query DELETE FROM `employees`.`departments` WHERE (`dept_no` = 'd001')
2022-03-06T10:58:20.620327+08:00       10 Query commit
2022-03-06T10:58:20.628409+08:00       10 Query SELECT /*!40001 SQL_NO_CACHE */ `dept_no`,`dept_name` FROM `employees`.`departments` FORCE INDEX(`PRIMARY`) WHERE (1=1) AND ((`dept_no` >= 'd001')) ORDER BY `dept_no` LIMIT 1
2022-03-06T10:58:20.629279+08:00       10 Query DELETE FROM `employees`.`departments` WHERE (`dept_no` = 'd002')
2022-03-06T10:58:20.636154+08:00       10 Query commit
...

目标库日志

2022-03-06T10:58:20.613144+08:00       18 Query INSERT INTO `employees`.`departments`(`dept_no`,`dept_name`) VALUES ('d001','Marketing')
2022-03-06T10:58:20.613813+08:00       18 Query commit
2022-03-06T10:58:20.628843+08:00       18 Query INSERT INTO `employees`.`departments`(`dept_no`,`dept_name`) VALUES ('d002','Finance')
2022-03-06T10:58:20.629784+08:00       18 Query commit
...

结合源库和目标库的日志，可以看到：

1）pt-archiver首先会从源库查询一条记录，然后再将该记录插入到目标库中。

目标库插入成功，才会从源库中删除这条记录。

这样就能确保数据在删除之前，一定是归档成功的。

2）仔细观察这几个操作的执行时间，其先后顺序如下。

源库查询记录。
目标库插入记录。
源库删除记录。
目标库COMMIT。
源库COMMIT。

这种实现借鉴了分布式事务中的两阶段提交算法。

3）--where参数中的 "1=1" 会传递到SELECT操作中。

"1=1" 代表归档全表，也可指定其它条件，如我们常用的时间。

4）每次查询都是使用主键索引，这样即使归档条件中没有索引，也不会产生全表扫描。

5）每次删除都是基于主键，这样可避免归档条件没有索引导致全表被锁的风险。

五、批量归档

如果使用Demo中的参数进行归档，在数据量比较大的情况下，效率会非常低，毕竟COMMIT是一个昂贵的操作。

所以在线上，我们通常都会进行批量操作。

具体命令如下：

pt-archiver --source h=192.168.244.10,P=3306,u=pt_user,p=pt_pass,D=employees,t=departments --dest h=192.168.244.128,P=3306,u=pt_user,p=pt_pass,D=employees,t=departments --where "1=1" --bulk-delete --limit 1000 --commit-each --bulk-insert

相对于之前的归档命令，这条命令额外指定了四个参数，其中，

--bulk-delete：批量删除。
--limit：每批归档的记录数。
--commit-each：对于每一批记录，只会 COMMIT 一次。
--bulk-insert：归档数据以 LOAD DATA INFILE 的方式导入到归档库中。

看看上述命令对应的General log。

源库

2022-03-06T12:13:56.117984+08:00       53 Query SELECT /*!40001 SQL_NO_CACHE */ `dept_no`,`dept_name` FROM `employees`.`departments` FORCE INDEX(`PRIMARY`) WHERE (1=1) ORDER BY `dept_no` LIMIT 1000
...
2022-03-06T12:13:56.125129+08:00       53 Query DELETE FROM `employees`.`departments` WHERE (((`dept_no` >= 'd001'))) AND (((`dept_no` <= 'd009'))) AND (1=1) LIMIT 1000
2022-03-06T12:13:56.130055+08:00       53 Query commit

目标库

2022-03-06T12:13:56.124596+08:00    51 Query LOAD DATA LOCAL INFILE '/tmp/hitKctpQTipt-archiver' INTO TABLE `employees`.`departments`(`dept_no`,`dept_name`)
2022-03-06T12:13:56.125616+08:00    51 Query commit：

注意：

1）如果要执行LOAD DATA LOCAL INFILE操作，需将目标库的local_infile参数设置为ON。

2）如果不指定--bulk-insert且没指定--commit-each，则目标库的插入还是会像Demo中显示的那样，逐行提交。

3）如果不指定--commit-each，即使表中的9条记录是通过一条DELETE命令删除的，但因为涉及了9条记录，pt-archiver会执行COMMIT操作9次。目标库同样如此。

4）在使用--bulk-insert归档时要注意，如果导入的过程中出现问题，譬如主键冲突，pt-archiver是不会提示任何错误的。

六、不同归档参数之间的速度对比

下表是归档20w数据，不同参数之间的执行时间对比。

通过表格中的数据，我们可以得出以下几点：

1）第一种方式是最慢的。

这种情况下，无论是源库还是归档库，都是逐行操作并提交的。

2）只指定--bulk-delete --limit 1000依然很慢。

这种情况下，源库是批量删除，但COMMIT次数并没有减少。

归档库依然是逐行插入并提交的。

3）--bulk-delete --limit 1000 --commit-each

相当于第二种归档方式，源库和目标库都是批量提交的。

4）--limit 1000 和 --limit 5000归档性能相差不大。

5）--bulk-delete --limit 1000 --bulk-insert与--bulk-delete --limit 1000 --commit-each --bulk-insert相比，没有设置--commit-each。

虽然都是批量操作，但前者会执行COMMIT操作1000次。

由此来看，空事务并不是没有代价的。

七、其它常见用法

1、删除数据

删除数据是pt-archiver另外一个常见的使用场景。

具体命令如下：

pt-archiver --source h=192.168.244.10,P=3306,u=pt_user,p=pt_pass,D=employees,t=departments --where "1=1" --bulk-delete --limit 1000 --commit-each --purge --primary-key-only

命令行中的 --purge 代表只删除，不归档。

指定了 --primary-key-only ，这样，在执行 SELECT 操作时，就只会查询主键，不会查询所有列。

接下来，我们看看删除命令相关的General log。

为了直观地展示pt-archiver删除数据的实现逻辑，实际测试时将--limit设置为了 3。

# 开启事务
set autocommit=0;
# 查看表结构，获取主键
SHOW CREATE TABLE `employees`.`departments`;
# 开始删除第一批数据
# 通过 FORCE INDEX(`PRIMARY`) 强制使用主键
# 指定了 --primary-key-only，所以只会查询主键
# 这里其实无需获取所有满足条件的主键值，只取一个最小值和最大值即可。
SELECT /*!40001 SQL_NO_CACHE */ `dept_no` FROM `employees`.`departments` FORCE INDEX(`PRIMARY`) WHERE (1=1) ORDER BY `dept_no` LIMIT 3;
# 基于主键进行删除，删除的时候同时带上了 --where 指定的删除条件，以避免误删
DELETE FROM `employees`.`departments` WHERE (((`dept_no` >= 'd001'))) AND (((`dept_no` <= 'd003'))) AND (1=1) LIMIT 3;
# 提交
commit;
# 删除第二批数据
SELECT /*!40001 SQL_NO_CACHE */ `dept_no` FROM `employees`.`departments` FORCE INDEX(`PRIMARY`) WHERE (1=1) AND ((`dept_no` >= 'd003')) ORDER BY `dept_no` LIMIT 3;
DELETE FROM `employees`.`departments` WHERE (((`dept_no` >= 'd004'))) AND (((`dept_no` <= 'd006'))) AND (1=1); LIMIT 3
commit;
# 删除第三批数据
SELECT /*!40001 SQL_NO_CACHE */ `dept_no` FROM `employees`.`departments` FORCE INDEX(`PRIMARY`) WHERE (1=1) AND ((`dept_no` >= 'd006')) ORDER BY `dept_no` LIMIT 3;
DELETE FROM `employees`.`departments` WHERE (((`dept_no` >= 'd007'))) AND (((`dept_no` <= 'd009'))) AND (1=1) LIMIT 3;
commit;
# 删除最后一批数据
SELECT /*!40001 SQL_NO_CACHE */ `dept_no` FROM `employees`.`departments` FORCE INDEX(`PRIMARY`) WHERE (1=1) AND ((`dept_no` >= 'd009')) ORDER BY `dept_no` LIMIT 3;
commit;

在业务代码中，如果我们有类似的删除需求，不妨借鉴下pt-archiver的实现方式。

2、将数据归档到文件中

数据除了能归档到数据库，也可归档到文件中。

具体命令如下：

pt-archiver --source h=192.168.244.10,P=3306,u=pt_user,p=pt_pass,D=employees,t=departments --where "1=1" --bulk-delete --limit 1000 --file '/tmp/%Y-%m-%d-%D.%t'

指定的是--file ，而不是--dest。

文件名使用了日期格式化符号，支持的符号及含义如下：

%d    Day of the month, numeric (01..31)
%H    Hour (00..23)
%i    Minutes, numeric (00..59)
%m    Month, numeric (01..12)
%s    Seconds (00..59)
%Y    Year, numeric, four digits
%D    Database name
%t    Table name

生成的文件是CSV格式，后续可通过LOAD DATA INFILE命令加载到数据库中。

八、如何避免主从延迟

无论是数据归档还是删除，对于源库，都需要执行DELETE操作。

很多人担心，如果删除的记录数太多，会造成主从延迟。

事实上，pt-archiver本身就具备了基于主从延迟来自动调节归档（删除）操作的能力。

如果从库的延迟超过1s（由 --max-lag 指定）或复制状态不正常，则会暂停归档（删除）操作，直到从库恢复。

默认情况下，pt-archiver不会检查从库的延迟情况。

如果要检查，需通过--check-slave-lag显式设置从库的地址，譬如，

pt-archiver --source h=192.168.244.10,P=3306,u=pt_user,p=pt_pass,D=employees,t=departments --where "1=1" --bulk-delete --limit 1000 --commit-each --primary-key-only --purge --check-slave-lag h=192.168.244.20,P=3306,u=pt_user,p=pt_pass

这里只会检查192.168.244.20的延迟情况。

如果有多个从库需要检查，需将--check-slave-lag指定多次，每次对应一个从库。

九、常用参数

--analyze

在执行完归档操作后，执行ANALYZE TABLE操作。

后面可接任意字符串，如果字符串中含有 s ，则会在源库执行 ANALYZE 操作。

如果字符串中含有 d ，则会在目标库执行ANALYZE操作。

如果同时带有 d 和 s ，则源库和目标库都会执行ANALYZE操作。如，

--analyze ds

--optimize

在执行完归档操作后，执行OPTIMIZE TABLE操作。

用法同 --analyze 类似。

--charset

指定连接（Connection）字符集。

在 MySQL 8.0之前，默认是latin1。

在 MySQL 8.0中，默认是utf8mb4 。

注意，这里的默认值与MySQL服务端字符集character_set_server无关。

若显式设置了该值，pt-archiver在建立连接后，会首先执行SET NAMES 'charset_name'操作。

--[no]check-charset

检查源库（目标库）连接（Connection）字符集和表的字符集是否一致。

如果不一致，会提示以下错误：

Character set mismatch: --source DSN uses latin1, table uses gbk.  You can disable this check by specifying --no-check-charset.

这个时候，切记不要按照提示指定 --no-check-charset 忽略检查，否则很容易导致乱码。

针对上述报错，可将--charset指定为表的字符集。

注意，该选项并不是比较源库和目标库的字符集是否一致。

--[no]check-columns

检查源表和目标表列名是否一致。

注意，只会检查列名，不会检查列的顺序、列的数据类型是否一致。

--columns

归档指定列。

在有自增列的情况下，如果源表和目标表的自增列存在交集，可不归档自增列，这个时候，就需要使用--columns显式指定归档列。

--dry-run

只打印待执行的SQL，不实际执行。

常用于实际操作之前，校验待执行的SQL是否符合自己的预期。

--ignore

使用INSERT IGNORE归档数据。

--no-delete

不删除源库的数据。

--replace

使用REPLACE操作归档数据。

--[no]safe-auto-increment

在归档有自增主键的表时，默认不会删除自增主键最大的那一行。

这样做，主要是为了规避MySQL 8.0之前自增主键不能持久化的问题。

在对全表进行归档时，这一点需要注意。

如果需要删除，需指定--no-safe-auto-increment。

--source

给出源端实例的信息。

除了常用的选项，其还支持如下选项：

a：指定连接的默认数据库。

b：设置 SQL_LOG_BIN=0 。

如果是在源库指定，则DELETE操作不会写入到Binlog中。

如果是在目标库指定，则INSERT操作不会写入到Binlog中。

i：设置归档操作使用的索引，默认是主键。

--progress

显示进度信息，单位行数。

如 --progress 10000，则每归档（删除）10000行，就打印一次进度信息。

TIME                ELAPSED   COUNT
2022-03-06T18:24:19       0       0
2022-03-06T18:24:20       0   10000
2022-03-06T18:24:21       1   20000

第一列是当前时间，第二列是已经消耗的时间，第三列是已归档（删除）的行数。

十、总结

前面，我们对比了归档操作中不同参数的执行时间。

其中，--bulk-delete --limit 1000 --commit-each --bulk-insert是最快的。不指定任何批量操作参数是最慢的。

但在使用--bulk-insert时要注意，如果导入的过程中出现问题，pt-archiver是不会提示任何错误的。

常见的错误有主键冲突，数据和目标列的数据类型不一致。

如果不使用--bulk-insert，而是通过默认的INSERT操作来归档，大部分错误是可以识别出来的。

譬如，主键冲突，会提示以下错误。

DBD::mysql::st execute failed: Duplicate entry 'd001' for key 'PRIMARY' [for Statement "INSERT INTO `employees`.`departments`(`dept_no`,`dept_name`) VALUES (?,?)" with ParamValues: 0='d001', 1='Marketing'] at /usr/local/bin/pt-archiver line 6772.

导入的数据和目标列的数据类型不一致，会提示以下错误。

DBD::mysql::st execute failed: Incorrect integer value: 'Marketing' for column 'dept_name' at row 1 [for Statement "INSERT INTO `employees`.`departments`(`dept_no`,`dept_name`) VALUES (?,?)" with ParamValues: 0='d001', 1='Marketing'] at /usr/local/bin/pt-archiver line 6772.

当然，数据和类型不一致，能被识别出来的前提是归档实例的SQL_MODE为严格模式。

如果待归档的实例中有MySQL 5.6，我们其实很难将归档实例的SQL_MODE开启为严格模式。

因为MySQL 5.6的SQL_MODE默认为非严格模式，所以难免会产生很多无效数据，譬如时间字段中的0000-00-00 00:00:00 。

这种无效数据，如果插入到开启了严格模式的归档实例中，会直接报错。

从数据安全的角度出发，最推荐的归档方式是：

1）先归档，但不删除源库的数据。

2）比对源库和归档库的数据是否一致。

3）如果比对结果一致，再删除源库的归档数据。

其中，第一步和第三步可通过pt-archiver搞定，第二步可通过pt-table-sync搞定。

相对于边归档边删除的这种方式，虽然麻烦不少，但相对来说，更安全。