数百万条目的 SQLite 优化？ [关闭]

Posted 2023-02-16

【中文标题】数百万条目的 SQLite 优化？ [关闭]

【英文标题】：SQLite Optimization for Millions of Entries? [closed]

【发布时间】：2010-09-27 19:27:20

【问题描述】：

我正在尝试通过使用 SQLite 数据库和 Perl 模块来解决问题。最后，我需要记录数千万条记录。每个项目的唯一唯一标识符是 URL 的文本字符串。我正在考虑通过两种方式做到这一点：

方式#1：有一张好桌子，坏桌子，未排序的桌子。 （我需要检查 html 并决定是否需要它。）假设我们总共有 10 亿个页面，每个表中有 3.33 亿个 URL。我有一个要添加的新 URL，我需要检查它是否在任何表中，如果它是唯一的，则将其添加到 Unsorted。此外，我会使用此选项移动很多行。

方式 #2：我有 2 张桌子，Master 和 Good。 Master 拥有全部 10 亿个页面 URL，Good 拥有我想要的 3.33 亿个。新的URL，需要做同样的事情，除了这次我只查询一个表，我永远不会从Master中删除一行，只会将数据添加到Good。

所以基本上，我需要知道快速查询庞大的 SQLite 数据库以查看约 20 个字符的文本字符串是否唯一的最佳设置，如果不是，则添加。 p>

编辑：我现在正试图让 Berkeley DB 使用 Perl 模块工作，但没有骰子。这是我所拥有的：

use BerkeleyDB;

$dbFolder = 'C:\somedirectory';
my $env = BerkeleyDB::Env->new ( -Home => $dbFolder );

my $db  = BerkeleyDB::Hash->new (
-Filename => "fred.db", 
-Env => $env );
my $status = $db->db_put("apple", "red");

当我运行它时，我得到以下信息：

Can't call method "db_put" on an undefined value at C:\Directory\perlfile.pl line 42, <STDIN> line 1.

【问题讨论】：

我不是数据库专家（所以我可能低估了 SQLite），但您确定 SQLite 是处理这么多数据的最佳解决方案吗？

我从很多人那里听说 SQLite 非常适合处理大量数据。 ***.com/questions/3160987/…

对于大型数据集的最佳 SQLite 优化不是使用 SQLite。我从经验中知道，SQLite 会在一段时间后显着减慢插入速度。特别是如果您有不断重新计算的索引。 SQLite 的理论限制远远超出其实际限制。

我认为像 BerkeleyDB 这样的 DBM 对于这个应用程序来说会更快。使用您的字符串作为键，并使用 YAML 或 Storable 序列化所有其他数据。

实际上，我一直在努力让 BerkeleyDB 工作一段时间。我无法让它创建一个文件。我会发布我所拥有的，也许你可以帮助我。

【参考方案1】：

我倾向于使用哈希而不是 SQLite 来做你想做的事情。哈希经过优化以测试是否存在，而无需将值保持在任何排序顺序中，也无需在索引中保留数据的冗余副本。应用于数据的散列算法产生它的存储位置，如果它确实存在的话；你可以寻找那个位置，看看它是否在那里。我认为您不需要将哈希表保存在 RAM 中。

以下是您可以采用混合哈希/SQLite 方法的方法。

创建一个 SQLite 表

STORE
id INTEGER PRIMARY KEY
BUCKET (integer, indexed) 
URL (text, not indexed)
status 

如果您想按状态将它们分开，您可以拥有其中三个表，STORE1、STORE2 和 STORE3。

假设每个商店中将有 250,000,001 个不同的存储桶。 （您可以试验这个数字；将其设为质数）。

找到一个哈希算法，它接受两个输入，即 URL 字符串和 250,000,0001，并返回一个介于 1 和 250,000,001 之间的数字。

当您获得一个 URL 时，将其提供给哈希算法，它会告诉您要查看哪个 BUCKET：

Select * from STORE where BUCKET = 您的哈希函数返回的值。

您在 BUCKET 字段上的索引将快速返回行，并且您可以检查 URL。如果当前 URL 不是其中之一，添加它：

INSERT STORE(BUCKET, URL) VALUES( your hash return value, theURL). 

SQLite 将索引整数值，我认为这将比索引 URL 更有效。并且 URL 将只存储一次。

【讨论】：

Err，索引整数值可能更有效，但这只是因为按字符串索引可能相当于您的存储桶计算，只是效率更高。这是一般性观察，可能不适用于 SQLite，但我敢打赌。

请详细说明一下，为什么 SQLite 用于插入 btree 的 URL 比计算存储桶的哈希算法更有效？其次，您的批评没有解决我建议的方法可以避免的 URL 值的重复。我坚持我最初的建议：hash 比 btree 更好，因为 hash 不会随着插入而降级——没有 btree 可以保持平衡。这种混合方法不会像纯哈希方法那样有效。我只是建议它可能比索引 URL 列更好，假设 OP 必须使用像 SQLite 这样的关系数据库。

在第一点上，我不是在争论——我在问为什么计算 URL 的哈希桶的效率低于二进制算法来决定将 URL 放在哪里当有 10 亿个 URL（或 3.33 亿个 URL，如果集合被分成单独的表）时的 btree。我的假设是，在某些时候，hash-calc 的效率会超过二进制 calc，因为 hash-calc 不会涉及磁盘读取。

我不知道它是否更有效，但我猜测您正在用一个 btree 换取索引 url 以获得客户端的额外工作，再加上两个 btree （一个用于主键，一个用于存储桶索引）在 sqlite 中，并且看不到这可能是一个改进。似乎您期望 sqlite 对整数索引做一些显着不同的事情？我不是那么假设。

重新避免重复 URL 值，我不确定您的意思。我假设 url 是主键，所以显然没有重复。

【参考方案2】：

如果$db 未定义，则打开数据库失败，您应该检查$! 和$BerkeleyDB::Error 以了解原因。

您是否已经创建了数据库？如果没有，你需要-Flags => DB_CREATE。

工作示例：

use strict;
use warnings;
use BerkeleyDB;

my $dbFolder = '/home/ysth/bdbtmp/';

my $db  = BerkeleyDB::Hash->new (
    -Filename => "$dbFolder/fred.db", 
    -Flags => DB_CREATE,
) or die "couldn't create: $!, $BerkeleyDB::Error.\n";

my $status = $db->db_put("apple", "red");

不过，我无法让 BerkeleyDB::Env 做任何有用的事情；无论我尝试了什么，构造函数都返回了 undef。

【讨论】：

我添加了 DB_CREATE 并检查了 $!创建环境后，它只说“没有这样的文件或目录”。你介意给我一个工作样本让我解剖吗？我需要做的就是在磁盘上创建一个哈希，向其中添加项目，然后检查现有项目。

@Sho Minamimoto：添加了一个例子

搞定了。我认为问题在于我放了“fred.db”而不是完整路径，但是在文档中它说无论Env在哪里都应该创建数据库。那好吧。感谢您的帮助！

最后一件事，有数百万个条目，我将如何按值排序？就像我有一些值为“0”的关键 URL 和一些值为“1”的关键 URL，我将如何只获取值为“0”的 URL？这会很快吗？

@Sho Minamimoto：不，必须通过坏的肯定会减慢获得好的。如果您需要尽可能快，最好使用好的、坏的和未排序的文件（或者可能是好的、全部和未排序的？不确定您想如何使用它。）

【参考方案3】：

我不知道这是否最佳，但您可以设置您的 SQLite 数据库，使“好”表对 URL 列具有唯一约束。您可能没有足够的 RAM 来在 Perl 中进行比较（天真的解决方案是创建一个以 URL 为键的哈希，但如果您有十亿页，您将需要大量内存）。

当需要插入时，数据库将强制唯一性，并在尝试插入重复的 URL 时抛出某种错误。只要 DBI 针对不同的错误消息返回不同的错误值，您就可以捕获并忽略它。