Měli byste si přečíst následující a dozvědět se něco málo o výhodách dobře navržené tabulky innodb ao tom, jak nejlépe používat seskupené indexy – dostupné pouze s innodb!
http://dev.mysql.com/doc /refman/5.0/en/innodb-index-types.html
http://www. xaprb.com/blog/2006/07/04/how-to-exploit-mysql-index-optimizations/
pak navrhněte svůj systém něco ve smyslu následujícího zjednodušeného příkladu:
Ukázkové schéma (zjednodušené)
Důležité je, že tabulky používají modul innodb a primární klíč pro tabulku vláken již není jediný auto_incrementing klíč, ale složený shlukovaný klíč založený na kombinaci forum_id a thread_id. např.
threads - primary key (forum_id, thread_id)
forum_id thread_id
======== =========
1 1
1 2
1 3
1 ...
1 2058300
2 1
2 2
2 3
2 ...
2 2352141
...
Každý řádek fóra obsahuje počítadlo nazvané next_thread_id (unsigned int), které je udržováno spouštěčem a zvyšuje se pokaždé, když je vlákno přidáno do daného fóra. To také znamená, že můžeme uložit 4 miliardy vláken na fórum namísto 4 miliard vláken celkem, pokud použijeme jediný primární klíč auto_increment pro thread_id.
forum_id title next_thread_id
======== ===== ==============
1 forum 1 2058300
2 forum 2 2352141
3 forum 3 2482805
4 forum 4 3740957
...
64 forum 64 3243097
65 forum 65 15000000 -- ooh a big one
66 forum 66 5038900
67 forum 67 4449764
...
247 forum 247 0 -- still loading data for half the forums !
248 forum 248 0
249 forum 249 0
250 forum 250 0
Nevýhodou použití složeného klíče je, že již nemůžete pouze vybrat vlákno podle jedné hodnoty klíče následovně:
select * from threads where thread_id = y;
musíte udělat:
select * from threads where forum_id = x and thread_id = y;
Kód vaší aplikace by si však měl být vědom toho, které fórum uživatel prohlíží, takže implementace není zrovna obtížná – uložte aktuálně zobrazené forum_id do proměnné relace nebo skrytého pole formuláře atd...
Zde je zjednodušené schéma:
drop table if exists forums;
create table forums
(
forum_id smallint unsigned not null auto_increment primary key,
title varchar(255) unique not null,
next_thread_id int unsigned not null default 0 -- count of threads in each forum
)engine=innodb;
drop table if exists threads;
create table threads
(
forum_id smallint unsigned not null,
thread_id int unsigned not null default 0,
reply_count int unsigned not null default 0,
hash char(32) not null,
created_date datetime not null,
primary key (forum_id, thread_id, reply_count) -- composite clustered index
)engine=innodb;
delimiter #
create trigger threads_before_ins_trig before insert on threads
for each row
begin
declare v_id int unsigned default 0;
select next_thread_id + 1 into v_id from forums where forum_id = new.forum_id;
set new.thread_id = v_id;
update forums set next_thread_id = v_id where forum_id = new.forum_id;
end#
delimiter ;
Možná jste si všimli, že jsem zahrnul reply_count jako součást primárního klíče, což je trochu zvláštní, protože kompozit (forum_id, thread_id) je jedinečný sám o sobě. Toto je pouze optimalizace indexu, která šetří některé I/O při provádění dotazů, které používají response_count. Další informace o tom naleznete na 2 výše uvedených odkazech.
Příkladové dotazy
Stále načítám data do svých ukázkových tabulek a zatím mám načteno cca. 500 milionů řádků (polovina více než váš systém). Po dokončení procesu načítání bych měl očekávat přibližně:
250 forums * 5 million threads = 1250 000 000 (1.2 billion rows)
Záměrně jsem vytvořil, že některá fóra obsahují více než 5 milionů vláken, například fórum 65 má 15 milionů vláken:
forum_id title next_thread_id
======== ===== ==============
65 forum 65 15000000 -- ooh a big one
Běhové časy dotazů
select sum(next_thread_id) from forums;
sum(next_thread_id)
===================
539,155,433 (500 million threads so far and still growing...)
pod innodb je sčítání next_thread_ids k získání celkového počtu vláken mnohem rychlejší než obvykle:
select count(*) from threads;
Kolik vláken má fórum 65:
select next_thread_id from forums where forum_id = 65
next_thread_id
==============
15,000,000 (15 million)
opět je to rychlejší než obvykle:
select count(*) from threads where forum_id = 65
Dobře, teď víme, že máme zatím asi 500 milionů vláken a fórum 65 má 15 milionů vláken - podívejme se, jak si schéma vede :)
select forum_id, thread_id from threads where forum_id = 65 and reply_count > 64 order by thread_id desc limit 32;
runtime = 0.022 secs
select forum_id, thread_id from threads where forum_id = 65 and reply_count > 1 order by thread_id desc limit 10000, 100;
runtime = 0.027 secs
Zdá se mi docela výkonný - takže to je jedna tabulka s více než 500 miliony řádků (a stále rostoucí) s dotazem, který pokrývá 15 milionů řádků za 0,02 sekundy (při zatížení!)
Další optimalizace
Patří mezi ně:
-
rozdělení podle rozsahu
-
sharding
-
házet do toho peníze a hardware
atd...
doufám, že vám tato odpověď pomůže :)