处理亿级数据的“定时任务”，如何缩短执行时间？

继续答水友提问。

问题抽象：

（1）用户会员系统；

（2）用户会有分数流水，每个月要做一次分数统计，对不同分数等级的会员做不同业务处理；

数据假设：

（1）假设用户在100w级别；

（2）假设用户日均1条流水，也就是说日增流水数据量在100W级别，月新增流水在3kW级别，3个月流水数据量在亿级别；

常见解决方案：

用一个定时任务，每个月的第一天计算一次。

//(1)查询出所有用户

uids[] = select uid from t_user;

//(2)遍历每个用户

foreach $uid in uids[]{

         //(3)查询用户3个月内分数流水

         scores[]= select score from t_flow

                   where uid=$uid and time=[3个月内];

         //(4)遍历分数流水

         foreach $score in scores[]{

                   //(5)计算总分数

                   sum+= $score;

         }

         //(6)根据分数做业务处理

         switch(sum)

         升级降级，发优惠券，发奖励;

}

一个月执行一次的定时任务，会存在什么问题？

计算量很大，处理的数据量很大，耗时很久，按照水友的说法，需要1-2天。

画外音：外层循环100W级别用户；内层循环9kW级别流水；业务处理需要10几次数据库交互。

可不可以多线程并行处理？

可以，每个用户的流水处理不耦合。

改为多线程并行处理，例如按照用户拆分，会存在什么问题？

每个线程都要访问数据库做业务处理，数据库有可能扛不住。

这类问题的优化方向是：

（1）同一份数据，减少重复计算次数；

（2）分摊CPU计算时间，尽量分散处理，而不是集中处理；

（3）减少单次计算数据量；

如何减少同一份数据，重复计算次数？

如上图，假设每一个方格是1个月的分数流水数据（约3kW）。

3月底计算时，要查询并计算1月，2月，3月三个月的9kW数据；

4月底计算时，要查询并计算2月，3月，4月三个月的9kW数据；

…

会发现，2月和3月的数据（粉色部分），被重复查询和计算了多次。
画外音：该业务，每个月的数据会被计算3次。

新增月积分流水汇总表，每次只计算当月增量：

flow_month_sum(month, uid, flow_sum)

（1）每到月底，只计算当月分数，数据量减少到1/3，耗时也减少到1/3；

（2）同时，把前2个月流水加和，就能得到最近3个月总分数（这个动作几乎不花时间）；

画外音：该表的数量级和用户表数据量一致，100w级别。

这样一来，每条分数流水只会被计算一次。

如何分摊CPU计算时间，减少单次计算数据量呢？

业务需求是一个月重新计算一次分数，但一个月集中计算，数据量太大，耗时太久，可以将计算分摊到每天。

如上图，月积分流水汇总表，升级为，日积分流水汇总表。

把每月1次集中计算，分摊为30次分散计算，每次计算数据量减少到1/30，就只需要花几十分钟处理了。

甚至，每一个小时计算一次，每次计算数据量又能减少到1/24，每次就只需要花几分钟处理了。

虽然时间缩短了，但毕竟是定时任务，能不能实时计算分数流水呢？

每天只新增100w分数流水，完全可以实时累加计算“日积分流水汇总”。

使用DTS(或者canal)增加一个分数流水表的监听，当用户的分数变化时，实时进行日分数流水累加，将1小时一次的定时任务计算，均匀分摊到“每时每刻”，每天新增100w流水，数据库写压力每秒钟10多次，完全扛得住。

画外音：如果不能使用DTS/canal，可以使用MQ。

总结，对于这类一次性集中处理大量数据的定时任务，优化思路是：

（1）同一份数据，减少重复计算次数；

（2）分摊CPU计算时间，尽量分散处理（甚至可以实时），而不是集中处理；

（3）减少单次计算数据量；

希望大家有所启示，思路比结论重要。

欢迎大家继续提问，有问必答。

答球友问：

课后作业：

假设，某系统登录日志（日志比数据库更难，数据库可以建索引检索）如下：

2019-08-15 23:11:15 uid=123 action=login

2019-08-15 23:11:18 uid=234 action=logout

…

求，2019-8-15这一天，系统同时在线用户数曲线，精确到秒。

说明：

（1）action只能为login/logout；

（2）在线用户的定义为，已经login，还没有logout，正在使用系统的用户；

（3）8-15之前登录，8-15还没有登出的用户，也算当天在线用户（潜台词是，只扫描当天的日志是不够的）；