麒麟v10 上部署 TiDB v5.1.2 生产环境优化实践
839
2023-05-25
血一般的教训，请慎用Insert Into Select
血一般的教训，请慎用Insert Into Select
事情的起因
公司的交易量比较大，使用的数据库是 MySQL，每天的增量差不多在百万左右，公司并没有分库分表，所以想维持这个表的性能只能考虑做数据迁移。
同事李某接到了这个任务，于是他想出了这两个方案：
先通过程序查询出来，然后插入历史表，再删除原表。使用 insert into select 让数据库 IO 来完成所有操作。
第一个方案使用的时候发现一次性全部加载，系统直接就 OOM 了，但是分批次做就过多 IO 和时间长，于是选用了第二种方案，测试的时候没有任何问题，开开心心上线，然后被开除。
到底发生了啥?我们复盘一下。
先来看第一个方案，先看伪代码：
// 1、查询对应需要迁移的数据 List
我们可以从这段代码中看到，OOM 的原因很简单，我们直接将数据全部加载内存，内存不爆才怪。
再来看看第二个方案，到底发生了啥?
为了维持表的性能，同时保留有效数据，经过商量定了一个量，保留 10 天的数据，差不多要在表里面保留 1kw 的数据。
所以同事就做了一个时间筛选的操作，直接 insert into select ... dateTime < (Ten days ago)...
爽极了，直接就避免了要去分页查询数据，这样就不存在 OOM 啦。还简化了很多的代码操作，减少了网络问题。
为了测试，还特意建了 1kw 的数据来模拟，测试环境当然是没有问题啦，顺利通过。
考虑到这个表是一个支付流水表，于是将这个任务做成定时任务，并且定在晚上 8 点执行。
晚上量也不是很大，自然是没有什么问题，但是第二天公司财务上班，开始对账，发现资金对不上，很多流水都没有入库。
最终排查发现晚上 8 点之后，陆陆续续开始出现支付流水插入失败的问题，很多数据因此丢失。
最终定位到了是迁移任务引起的问题，刚开始还不明所以，白天没有问题，然后想到晚上出现这样的情况可能是晚上的任务出现了影响，最后停掉该任务的第二次上线，发现没有了这样的情况。
复盘
问题在哪里?为什么停掉迁移的任务之后就好了呢?这个 insert into select 操作到底做了什么?
我们来看看这个语句的 explain：
我们不难从图中看出，这个查询语句直接走了全表扫描。这个时候，我们不难猜想到一点点问题。
如果全表扫描，我们这个表这么大，是不是意味着迁移的时间会很长?假若我们这个迁移时间为一个小时，那是不是意味着就解释了我们白天没有出现这样问题的原因了。但是全表扫描是最根本的原因吗?
我们不妨试试，一边迁移，一边做些的操作，还原现场。最终还是会出现这样的问题。
这个时候，我们可以调整一下，大胆假设，如果不全表扫描，是不是就不会出现这样的问题。当我们将条件修改之后，果然发现没有走了全表扫描了。
最终再次还原现场，问题解决了：
得出结论：全表扫描导致了这次事故的发生。这样做就解决了发生的问题，但是做为陆陆续续开始失败这个就不好解释了。
原因
在默认的事务隔离级别下：insert into a select b 的操作 a 表示直接锁表，b 表是逐条加锁。这也就解释了为什么出现陆续的失败的原因。
在逐条加锁的时候，流水表由于多数是复合记录，所以最终部分在扫描的时候被锁定，部分拿不到锁，最终导致超时或者直接失败，还有一些在这加锁的过程中成功了。
为什么测试没有问题?
在测试的时候充分的使用了正式环境的数据来测试，但是别忽视一个问题，那就是测试环境毕竟是测试环境，在测试的时候，数据量真实并不代表就是真实的业务场景。
比方说，这个情况里面就少了一个迁移的时候，大量数据的插入这样的情况。最终导致线上 Bug。
解决办法
既然我们避免全表扫描就可以解决，我们避免它就行了。想要避免全表扫描，对 where 后面的条件做索引，让我们的 select 查询都走索引即可。
insert into 还能用吗?回答是：当然可以。
总结
使用 insert into select 的时候请慎重，一定要做好索引。
作者：xlecho
编辑：陶家龙
版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。
相关文章
