使用 Django QuerySet 分块处理数据库的最佳方法？

Question

我正在对数据库中的所有行运行批处理操作。这涉及选择每个模型并对其进行处理。将其分成多个块并逐块执行是有意义的。

我目前正在使用Paginator，因为它很方便。这意味着我需要对值进行排序，以便可以按顺序对它们进行分页。这确实会生成具有 order 和 limit 子句的 SQL 语句，并且对于每个块，我认为 Postgres 可能会对整个表进行排序（尽管我不能声称拥有任何知识）关于内部结构）。我所知道的是数据库的 CPU 利用率约为 50%，我认为对于执行 select 来说这个值太高了。

以 RDMBS/CPU 友好的方式迭代整个表的最佳方法是什么？

假设在批处理操作期间数据库的内容没有改变。

Answer 1

根据您的描述，您实际上并不关心您处理的行的排序顺序。如果表中有主键（我希望如此！），这种粗略的分区方法会快得多：

SELECT * FROM tbl WHERE id BETWEEN 0    AND 1000;
SELECT * FROM tbl WHERE id BETWEEN 1001 AND 2000;
...

这对于任何偏移量执行相同的操作，并且对于任何大小的表（几乎）执行相同的操作。
相应地检索主键和分区的最小值和最大值：

SELECT min(id), max(id) from tbl; -- then divide in suitable chunks

---

与此相反：

SELECT * FROM tbl ORDER BY id LIMIT 1000;
SELECT * FROM tbl ORDER BY id LIMIT 1000 OFFSET 1000;
...

这通常会更慢，因为必须对所有行进行排序，并且随着偏移量更高和表更大，性能还会降低。

Answer 2

以下代码针对 Django 查询集实现了 Erwin 的上述答案（使用 BETWEEN）：

将为任意 Django 查询集执行此操作的实用程序函数如下。它默认假设“id”是用于 Between 子句的合适字段。

def chunked_queryset(qs, batch_size, index='id'):
    """
    Yields a queryset split into batches of maximum size 'batch_size'.
    Any ordering on the queryset is discarded.
    """
    qs = qs.order_by()  # clear ordering
    min_max = qs.aggregate(min=models.Min(index), max=models.Max(index))
    min_id, max_id = min_max['min'], min_max['max']
    for i in range(min_id, max_id + 1, batch_size):
        filter_args = {'{0}__range'.format(index): (i, i + batch_size - 1)}
        yield qs.filter(**filter_args)

它的使用方式如下：

for chunk in chunked_queryset(SomeModel.objects.all(), 20):
    # `chunk` is a queryset
    for item in chunk:
        # `item` is a SomeModel instance
        pass

您还可以更改接口，以便不需要额外的嵌套循环，但可以执行 for item in chunked_queryset(qs)：

def chunked_queryset(qs, batch_size, index='id'):
    """
    Yields a queryset that will be evaluated in batches
    """
    qs = qs.order_by()  # clear ordering
    min_max = qs.aggregate(min=models.Min(index), max=models.Max(index))
    min_id, max_id = min_max['min'], min_max['max']
    for i in range(min_id, max_id + 1, batch_size):
        filter_args = {'{0}__range'.format(index): (i, i + batch_size - 1)}
        for item in qs.filter(**filter_args):
            yield item