在 python 中读取巨大 MySQL 表的最快方法

Question

我试图读取由数百万行组成的非常巨大的 MySQL 表。我使用过Pandas 库和chunks。请看下面的代码：

import pandas as pd
import numpy as np
import pymysql.cursors

connection = pymysql.connect(user='xxx', password='xxx', database='xxx', host='xxx')

try:
    with connection.cursor() as cursor:
        query = "SELECT * FROM example_table;"

        chunks=[]

        for chunk in pd.read_sql(query, connection, chunksize = 1000):
            chunks.append(chunk)
        #print(len(chunks))    
        result = pd.concat(chunks, ignore_index=True)
        #print(type(result))
        #print(result)

finally:
    print("Done!")

    connection.close()

如果我限制要选择的行数，实际上执行时间是可以接受的。但如果还想选择最少的数据（例如 100 万行），则执行时间会显着增加。

也许有更好/更快的方法从 python 中的关系数据库中选择数据？

Answer 1

您可以尝试使用不同的 mysql 连接器。我建议尝试mysqlclient，这是最快的 mysql 连接器（我相信有相当大的优势）。

pymysql 是一个纯 python mysql 客户端，而mysqlclient 是（更快的）C 库的包装器。

用法和pymsql基本一样：

import MySQLdb

connection = MySQLdb.connect(user='xxx', password='xxx', database='xxx', host='xxx')

在此处阅读有关不同连接器的更多信息：What's the difference between MySQLdb, mysqlclient and MySQL connector/Python?

Answer 2

另一种选择可能是使用multiprocessing 模块，将查询拆分并将其发送到多个并行进程，然后将结果连接起来。

如果不了解 pandas 分块 - 我认为您将不得不手动进行分块（这取决于数据）...不要使用 LIMIT / OFFSET - 性能会很糟糕。

这可能不是一个好主意，具体取决于数据。如果有一种有用的方法来拆分查询（例如，如果它是一个时间序列，或者有某种适当的索引列可以使用，它可能是有意义的）。我在下面放了两个例子来展示不同的情况。

示例 1

import pandas as pd
import MySQLdb

def worker(y):
    #where y is value in an indexed column, e.g. a category
    connection = MySQLdb.connect(user='xxx', password='xxx', database='xxx', host='xxx')
    query = "SELECT * FROM example_table WHERE col_x = {0}".format(y)
    return pd.read_sql(query, connection)

p = multiprocessing.Pool(processes=10) 
#(or however many process you want to allocate)

data = p.map(worker, [y for y in col_x_categories])
#assuming there is a reasonable number of categories in an indexed col_x

p.close()
results = pd.concat(data) 

示例 2

import pandas as pd
import MySQLdb
import datetime

def worker(a,b):
    #where a and b are timestamps
    connection = MySQLdb.connect(user='xxx', password='xxx', database='xxx', host='xxx')
    query = "SELECT * FROM example_table WHERE x >= {0} AND x < {1}".format(a,b)
    return pd.read_sql(query, connection)

p = multiprocessing.Pool(processes=10) 
#(or however many process you want to allocate)

date_range = pd.date_range(start=d1, end=d2, freq="A-JAN")
# this arbitrary here, and will depend on your data /knowing your data before hand (ie. d1, d2 and an appropriate freq to use)

date_pairs = list(zip(date_range, date_range[1:]))
data = p.map(worker, date_pairs)

p.close()
results = pd.concat(data)

这可能是更好的方法（并且没有经过适当的测试等）。如果您尝试一下，有兴趣知道它是怎么回事。

Answer 3

对于那些使用 Windows 并且无法安装 MySQLdb 的用户。我正在使用这种方式从大表中获取数据。

import mysql.connector

i = 1
limit = 1000

while True:
    sql = "SELECT * FROM super_table LIMIT {}, {}".format(i, limit)
    cursor.execute(sql)
    rows = self.cursor.fetchall()

    if not len(rows):  # break the loop when no more rows
        print("Done!")
        break

    for row in rows:   # do something with results
        print(row)

    i += limit