大SELECT优化

Question

我在 Python 中使用 SQLite 作为大型文件管理系统。我有一个大的平面文件（1 亿行），我想使用 3 列（整数）的值对其进行排序，以便我可以迭代并进行一些计算。

我使用带有大 SELECT ... ORDER BY 的 SQLite（在一列上有一个索引）。由于这个大的SELECT 占用太多内存，我需要多次调用它（使用OFFSET 和LIMIT）。

我可以使用 Linux 排序，但我希望它独立于平台。它工作正常（只要正确设置了正确的 PRAGMA），但速度很慢。如何优化？

命令如下：

PRAGMA journal_mode = OFF
PRAGMA synchronous = 0
PRAGMA locking_mode = EXCLUSIVE
PRAGMA count_change = OFF
PRAGMA temp_store = 2
CREATE TABLE tmpTranscripts_arm_3R_transcripts (id INTEGER PRIMARY KEY, name varchar(255), chromosome varchar(255), start int(11), end int(11), direction tinyint(4), tags varchar(1023), bin int(11), exons varchar(10000))
CREATE INDEX 'iTranscript_arm_3R_14943' ON 'tmpTranscripts_arm_3R_transcripts' (start, end, direction)
INSERT INTO tmpTranscripts_arm_3R_transcripts (name, chromosome, start, end, direction, tags, bin, exons) VALUES ('SRR060644.1', 'arm_3R', 11450314, 11450337, -1, 'feature=transcript;bestRegion=(self);nbGaps=0;nbMismatches=0;ID=SRR060644.1;identity=100.0', 300011450, '')
(this, more than 10 millions times)
SELECT * FROM tmpTranscripts_arm_3R_transcripts ORDER BY start, end, direction LIMIT 0, 10000
(this, as much as needed)

Answer 1

我编写了一些示例脚本来创建您的数据库并遍历其所有元素。它看起来比你在 cmets 中写的要快得多。您确定数据库访问是瓶颈吗？也许在你的脚本中你做了更多的事情，这需要很多时间。

我检查了 2 个数据库 SQLite 和 MongoDB，其中包含 500 万个项目。 对于 SQLite，插入所有行大约需要 1200 秒，选择它们大约需要 300 秒。 MongoDB 更快，插入大约需要 400 秒，而选择不到 100 秒。

请用我的示例检查您的代码，并检查您的选择是否相似。我使用游标而不是 LIMIT/OFFSET。 如果这仍然没有帮助，那么我认为 MongoDB 值得一试。它有一个缺点 - 它需要 64 位操作系统来支持大型数据库（如您的）。如果您之前使用过它，那么这里是 Windows 的最短安装指南：

• 从http://www.mongodb.org/downloads下载并解压MongoDB for windows 64-bit
• 运行“mongod.exe --dbpath。”
• 从http://pypi.python.org/pypi/pymongo/ 下载python 2.x 模块或从http://pypi.python.org/pypi/pymongo3/ 下载python 3.x 模块
• 运行我的脚本

这是我用于 SQLite 的 python 3.x 测试脚本

import sqlite3
from time import time

conn = sqlite3.connect('test.dbase')

c = conn.cursor()

c.execute("""PRAGMA journal_mode = OFF""")
c.execute("""PRAGMA synchronous = 0""")
c.execute("""PRAGMA locking_mode = EXCLUSIVE""")
c.execute("""PRAGMA count_change = OFF""")
c.execute("""PRAGMA temp_store = 2""")

c.execute("""CREATE TABLE tmpTranscripts_arm_3R_transcripts (id INTEGER PRIMARY KEY, name varchar(255), chromosome varchar(255), start int(11), end int(11), direction tinyint(4), tags varchar(1023), bin int(11), exons varchar(10000))""")
c.execute("""CREATE INDEX 'iTranscript_arm_3R_14943' ON 'tmpTranscripts_arm_3R_transcripts' (start, end, direction)""")

t1 = time()

for i in range(0, 5000000):
    c.execute("""INSERT INTO tmpTranscripts_arm_3R_transcripts (name, chromosome, start, end, direction, tags, bin, exons) VALUES ('SRR060644.1', 'arm_3R', %d, %d, %d, 'feature=transcript;bestRegion=(self);nbGaps=0;nbMismatches=0;ID=SRR060644.1;identity=100.0', 300011450, '')""" % ((i+123)%352, (i+523)%422, (i+866)%536))
    if(not i%10000):
        print("Insert:", i)

t2 = time()
print("Insert time", t2-t1)

conn.commit()

t1 = time()
c.execute("""SELECT * FROM tmpTranscripts_arm_3R_transcripts ORDER BY start, end, direction""")

i = 0
for row in c:
    a = row[0]
    if(not i%10000):
        print("Get:", i, row)
    i+=1

t2 = time()
print("Sort time", t2-t1)

c.close()

对于 MongoDB

from pymongo import Connection
from pymongo import ASCENDING, DESCENDING
from time import time

connection = Connection()
connection = Connection('localhost', 27017)
db = connection['test-database']
collection = db['test-collection']
posts = db.posts

posts.create_index([("start", ASCENDING), ("end", ASCENDING), ("direction", ASCENDING)])

t1 = time()

for i in range(0, 5000000):
    post = { "name": 'SRR060644.1',
            "chromosome": 'arm_3R',
            "start": (i+123)%352,
            "end": (i+523)%422,
            "direction": (i+866)%536,
            "tags": 'feature=transcript;bestRegion=(self);nbGaps=0;nbMismatches=0;ID=SRR060644.1;identity=100.0',
            "bin": 300011450,
            "exons": ''}

    posts.insert(post)

    if(not i%10000):
        print("Insert:", i)

t2 = time()
print("Insert time", t2-t1)

t1 = time()

i = 0
for post in posts.find().sort([("start", ASCENDING), ("end", ASCENDING), ("direction", ASCENDING)]):
    if(not i%10000):
        print("Get:", i, post)
    i+=1

t2 = time()
print("Sort time", t2-t1)