血一般的教训,请慎用insert into select。同事应用之后,导致公司损失了近10w元,最终被公司开除。
1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。
2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<Object> list = selectData();
// 2、将数据插入历史表
insertData(list);
// 3、删除原表数据
deleteByIds(ids);
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。
3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。
![d32770942b04c91af8766b00773c5dfc.png](https://i-blog.csdnimg.cn/blog_migrate/97f67ba791376ed15f35528e5621dc48.png)
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
![423e3d4ff80925557cf27338717858c1.png](https://i-blog.csdnimg.cn/blog_migrate/502cd7e367013ae935f4237e6235d628.png)
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成功成功了。
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
4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。
5insert into还能用吗?
可以
6总结
使用insert into select
的时候请慎重,一定要做好索引。
来源:juejin.cn/post/6931890118538199048