php - 在 MySQL 中导入和处理文本文件

Question

我正在从事一项研究项目，该项目要求我处理包含 500,000 多条记录的大型 csv 文件(~2-5 GB)。这些文件包含有关政府契约(Contract)的信息(来自 USASpending.gov)。到目前为止，我一直在使用 PHP 或 Python 脚本逐行攻击文件，解析它们，然后将信息插入到相关表中。解析适度复杂。对于每条记录，脚本检查指定的实体是否已经在数据库中(使用字符串和正则表达式匹配的组合)；如果不是，它首先将实体添加到实体表中，然后继续解析记录的其余部分并将信息插入到适当的表中。实体列表超过 100,000。

以下是尝试将每条记录与任何现有实体进行匹配的基本函数(类的一部分):

private function _getOrg($data)
{
    // if name of organization is null, skip it
    if($data[44] == '') return null;

    // use each of the possible names to check if organization exists
    $names = array($data[44],$data[45],$data[46],$data[47]);

    // cycle through the names
    foreach($names as $name) {
        // check to see if there is actually an entry here
        if($name != '') {
            if(($org_id = $this->_parseOrg($name)) != null) {
                $this->update_org_meta($org_id,$data); // updates some information of existing entity based on record
                return $org_id;
            }
        }
    }

    return $this->_addOrg($data);
}

private function _parseOrg($name)
{
    // check to see if it matches any org names
    // db class function, performs simple "like" match
    $this->db->where('org_name',$name,'like');

    $result = $this->db->get('orgs');

    if(mysql_num_rows($result) == 1) {
        $row = mysql_fetch_object($result);
        return $row->org_id;
    }

    // check to see if matches any org aliases
    $this->db->where('org_alias_name',$name,'like');

    $result = $this->db->get('orgs_aliases');

    if(mysql_num_rows($result) == 1) {
        $row = mysql_fetch_object($result);
        return $row->org_id;
    }
    return null; // no matches, have to add new entity
 }

_addOrg 函数将新实体的信息插入到数据库中，希望它能匹配后续记录。

问题是:我只能让这些脚本每小时解析大约 10,000 条记录，考虑到大小，这意味着每个文件需要几天的时间。我的数据库的结构方式需要为每条记录更新几个不同的表，因为我正在编译多个外部数据集。因此，每条记录更新两个表，每个新实体更新三个表。我担心这会在 MySQL 服务器和我的脚本之间增加太多滞后时间。

这是我的问题:有没有办法将文本文件导入临时 MySQL 表，然后使用内部 MySQL 函数(或 PHP/Python 包装器)加速处理？

我在带有本地 MySQL 服务器的 Mac OS 10.6 上运行它。

Answer 1

使用load data infile 将文件加载到临时/暂存表中，然后使用存储过程 处理数据 - 时间不应超过 1-2 分钟最完整地加载和处理数据。

您可能还会发现我感兴趣的其他一些答案:

Optimal MySQL settings for queries that deliver large amounts of data?

MySQL and NoSQL: Help me to choose the right one

How to avoid "Using temporary" in many-to-many queries?

60 million entries, select entries from a certain month. How to optimize database?

有趣的介绍:

http://www.mysqlperformanceblog.com/2011/03/18/video-the-innodb-storage-engine-for-mysql/

示例代码(可能对你有用)

truncate table staging;

start transaction;

load data infile 'your_data.dat' 
into table staging
fields terminated by ',' optionally enclosed by '"'
lines terminated by '\n'
(
org_name
...
)
set
org_name = nullif(org_name,'');

commit;

drop procedure if exists process_staging_data;

delimiter #

create procedure process_staging_data()
begin

    insert ignore into organisations (org_name) select distinct org_name from staging;

    update...

    etc.. 

    -- or use a cursor if you have to ??

end#

delimiter ;

call  process_staging_data();

希望对你有帮助