唯快不破：如何快速处理大量数据

背景

• 将数百张数据结构相同的表（用Tn代表），合并至一张表（用C代表）
• T表数据量分布很不均衡，少至一位数，多至几十万
• T表间没有业务关联
• C表结构在T表结构的基础上增加了几个字段，无法使用INSERT INTO (SELECT * FROM)
• 数据总量约300万，经单进程测试，处理速度约500/s，预估耗时约100min

目标

最大化提升数据处理速度，将耗时降至10min左右，此时C表的写入速度约5000/s。

方案演进

方案一

因为T表间没有业务关联，所以每张表都可以单独处理。
将T表按数据量排序，每个进程处理N张表，尽量平衡各进程的负载。
存在的问题：
T表的数据量分布极为不均衡，有几张表数据量在70万左右，最终耗时约为（70万/500）s，瓶颈问题严重。

方案二

在 方案一 的的基础上，以 表+数据 的维度做并行处理，可以解决大表瓶颈问题。
存在的问题：
代码实现较复杂，需要考虑

• 每张T表的数据量
• 对大数据量的T表进行分割
• 避免数据重复处理

方案三

借助 Redis 的 pub/sub 机制，实现生产和消