MySQL数据清理的需求分析和改进

昨天帮一个朋友看了MySQL数据清理的问题，感觉比较有意思，具体的实施这位朋友还在做，已经差不多了，我就发出来大家一起参考借鉴下。

为了保证信息的敏感，里面的问题描述可能和真实情况不符，但是问题的处理方式是真实的。

首先这位朋友在昨天下午反馈说他有一个表大小是近600G,现在需要清理数据，只保留近几个月的数据。按照这个量级，我发现这个问题应该不是很好解决，得非常谨慎才对。如果是通用的思路和方法，我建议是使用冷热数据分离的方式。大体有下面的几类玩法：

exchange partition，这是亮点的特性，可以把分区数据和表数据交换，效率还不错。
rename table，这是MySQL归档数据的一大利器，在其他商业数据库里很难实现。

但是为了保险起见，我说还是得看看表结构再说。结果看到表结构，我发现这个问题和我预想的完全不一样。

这个表的ibd文件大概是600G,不是分区表，InnoDB存储引擎。字段看起来也不多。需要根据时间字段update_time抽取时间字段来删除数据。

我看了下这个表结构，字段不多，除了索引的设计上有些冗余外，直接看不到其他的问题，但是根据数据的存储情况来看，我发现这个问题有些奇怪。不知道大家发现问题没有。

这个表的主键是基于字段id，而且是主键自增，这样来看，如果要存储600G的数据，表里的数据量至少得是亿级别。但是大家再仔细看看自增列的值，会发现只有150万左右。这个差别也实在太大了。

为了进一步验证，我让朋友查询一下这个表的数据量，早上的时候他发给了我最新的数据，一看更加验证了我的猜想。

mysql> select max(Id) from test_data;
+---------+
| max(Id) |
+---------+
| 1603474 |
+---------+
1 row in set (0.00 sec)

现在的问题很明确，表里的数据不到200万，但是占用的空间近600G，这个存储比例也实在太高了，或者说碎片也实在太多了吧。

按照这个思路来想，自己还有些成就感，发现这么大的一个问题症结，如果数据没有特别的存储，200万的数据其实也不算大，清理起来还是很容易的。

朋友听了下觉得也有道理，从安全的角度来说，只是需要注意一些技巧而已，但是没过多久，他给我反馈，说表里的数据除过碎片，大概也有100多G，可能还有更多。这个问题和我之前的分析还是有一些冲突的。至少差别没有这么大。200万的数据量，基本就在1G以内。但是这里却是100多个G,远远超出我的预期。

mysql> select round(sum(data_length+index_length)/1024/1024) as total_mb,
    -> round(sum(data_length)/1024/1024) as data_mb,
    -> round(sum(index_length)/1024/1024) as index_mb
    -> from information_schema.tables where  table_name='hl_base_data';
+----------+---------+----------+
| total_mb | data_mb | index_mb |
+----------+---------+----------+
|   139202 |  139156 |       47 |
+----------+---------+----------+
1 row in set (0.00 sec)

这个问题接下来该怎么解释呢。我给这位朋友说，作为DBA，不光要对物理的操作要熟练，还要对数据需要保持敏感。

怎么理解呢，update_time没有索引，id是主键，我们完全可以估算数据的变化情况。

怎么估算呢，如果大家观察仔细，会发现两次提供的信息相差近半天，自增利的值相差是大概4000左右。一天的数据变化基本是1万。

现在距离10月1日已经有24天了，就可以直接估算出数据大概是在1363474附近。

mysql> select current_date-'20171001'; 
+-------------------------+
| current_date-'20171001' |
+-------------------------+
|                      24 |
+-------------------------+
1 row in set (0.00 sec)

按照这个思路，我提供了语句给朋友，他一检查,和我初步的估算值差不了太多。

mysql> select id , create_time ,update_time from test_data  where id=1363474;
+---------+---------------------+---------------------+
| id      | create_time         | update_time         |
+---------+---------------------+---------------------+
| 1363474 | 2017-09-29 10:37:29 | 2017-09-29 10:37:29 |
+---------+---------------------+---------------------+
1 row in set (0.07 sec)

简单调整一下，就可以完全按照id来过滤数据来删除数据了，这个过程还是建议做到批量的删除，小步快进。