数据库挖掘：两个数据库增量同步实现方式讨论-求一个单表上百万数据同步方式的选择（类似根据医嘱实现统方）
qile1 · 2016-03-30 22:53:26 +08:00 · 1044 次点击这是一个创建于 3164 天前的主题，其中的信息可能已经有所发展或是发生改变。
如题，最近有个项目需要同步两个 SQL Server 数据库中的一个表，这表有 12000000 多行。像这种上千万行的数据，同步到另一个数据库是个头疼的问题。现在根据id查询速度比较快，根据时间过滤需要大约17秒多才可以查出数据。
这个表会不定时更新，有个“索引 id ”字段，有个“执行时间”字段，新增数据“id”会 自动加一，更新的话“执行时间”字段会变为当前服务器执行时间。一般更新都是最近几天的数据库。
在不动原来数据库的前提下（这导致无法使用触发器和数据库发布等功能同步）将此表同步到另一个数据库里面。 暂时想到的方法有两个：
1 、 a ：自己编写 python 脚本，设定几个初始变量到本地文本配置文件，其中包括同步时间，第一次运行判断同步数据时间，如果小于当前时间则同步最近三个月数据到本地数据库，如果大于当前日期，则同步当天数据到本地数据库，并修改配置文件里面的同步时间加 24 小时。把这脚本放到半夜执行。每天23点执行一次，3点执行一次。
1 、 b ：实现数据的增量同步方式（即判断哪些数据需要更新哪些数据需要插入方式为）将源数据库数据保存为 lis ，然后逐条更新，在更新前查询被更新数据库里面是否存在相同“ id ”及相同“执行时间”，如果不存在 id 就插入本条数据，如果存在一样“ id ”但“执行时间”不一样，就更新数据，如果两个字段都一样就跳到下一条数据循环判断。
另一种方式是使用 kettle 这类 etl 工具来同步数据库，一般院感系统使用此方法来挖掘数据。 kettle 没接触过，正在了解中，不知道性能如何，有其他好办法欢迎讨论。
 |
1
msg7086 2016-03-30 23:11:25 +08:00
MySQL 下还是很简单的。 SQL Server 就不熟了，不知道有没有类似的 Replication 功能。
几百万数据不算太多。 |
 |
2
qile1 OP mssql 也就是 sql server 有订阅，发布等功能，但是需要在源数据库设置，这样对源数据库可能影响比较大，另外由于权限问题，暂时无法修改源数据库设置。只能通过 sql 查询来取到数据，去重后更新插入数据。
|
 |
3
ininit 2016-03-30 23:45:17 +08:00
关注一下
|
 |
4
slixurd 2016-03-31 00:37:57 +08:00
binlog ，不会 binlog 就用 databus
|
 |
5
buliugu 2016-03-31 00:51:41 +08:00
楼主可以去看看阿里开源的 DataX 数据同步框架，现成轮子（逃
|
 |
6
lzdhlsc 2016-03-31 01:52:31 +08:00
sql server log shipping.
|
 |
7
SlipStupig 2016-03-31 02:29:54 +08:00
如果是同样是 mssql 就看订阅，如果不是或者数据源都不统一，数据去向也不知道，可以用 ETL 神器 kettle
|
|
8
qile1 OP binlog 和 databus 及 datax 不时候这个需求， mssql 数据库的订阅也需要修改源数据库，只能自己编程了，用 python 编码比较麻烦，决定使用 c#来完成
|
Select Language