一次性集中處理大量數據的定時任務，如何縮短執行時間？

作者：58沈劍

問題抽象：
（1）用戶會員系統；
（2）用戶會有分數流水，每個月要做一次分數統計，對不同分數等級的會員做不同業務處理；
數據假設：

（1）假設用戶在100w級別；
（2）假設用戶日均1條流水，也就是說日增流水數據量在100W級別，月新增流水在3kW級別，3個月流水數據量在億級別；
常見解決方案：
用一個定時任務，每個月的第一天計算一次。

//(1)查詢出所有用戶
uids[] = select uid from t_user;
//(2)遍歷每個用戶
foreach $uid in uids[]{
         //(3)查詢用戶3個月內分數流水
        scores[]= select score from t_flow
                  where uid=$uid and time=[3個月內];
         //(4)遍歷分數流水
        foreach $score in scores[]{
                   //(5)計算總分數
                  sum+= $score;
        }
         //(6)根據分數做業務處理
        switch(sum)
        升級降級，發優惠券，發獎勵;
}

一個月執行一次的定時任務，會存在什么問題？
計算量很大，處理的數據量很大，耗時很久，按照水友的說法，需要1-2天。
畫外音：外層循環100W級別用戶；內層循環9kW級別流水；業務處理需要10幾次數據庫交互。
可不可以多線程并行處理？
可以，每個用戶的流水處理不耦合。
改為多線程并行處理，例如按照用戶拆分，會存在什么問題？
每個線程都要訪問數據庫做業務處理，數據庫有可能扛不住。
這類問題的優化方向是：
（1）同一份數據，減少重復計算次數；
（2）分攤CPU計算時間，盡量分散處理，而不是集中處理；
（3）減少單次計算數據量；
如何減少同一份數據，重復計算次數？

如上圖，假設每一個方格是1個月的分數流水數據（約3kW）。

3月底計算時，要查詢并計算1月，2月，3月三個月的9kW數據；
4月底計算時，要查詢并計算2月，3月，4月三個月的9kW數據；
…
會發現，2月和3月的數據（粉色部分），被重復查詢和計算了多次。
畫外音：該業務，每個月的數據會被計算3次。
新增月積分流水匯總表，每次只計算當月增量：
flow_month_sum(month, uid, flow_sum)
（1）每到月底，只計算當月分數，數據量減少到1/3，耗時也減少到1/3；
（2）同時，把前2個月流水加和，就能得到最近3個月總分數（這個動作幾乎不花時間）；
畫外音：該表的數量級和用戶表數據量一致，100w級別。
這樣一來，每條分數流水只會被計算一次。
如何分攤CPU計算時間，減少單次計算數據量呢？
業務需求是一個月重新計算一次分數，但一個月集中計算，數據量太大，耗時太久，可以將計算分攤到每天。

如上圖，月積分流水匯總表，升級為，日積分流水匯總表。
把每月1次集中計算，分攤為30次分散計算，每次計算數據量減少到1/30，就只需要花幾十分鐘處理了。
甚至，每一個小時計算一次，每次計算數據量又能減少到1/24，每次就只需要花幾分鐘處理了。

雖然時間縮短了，但畢竟是定時任務，能不能實時計算分數流水呢？
每天只新增100w分數流水，完全可以實時累加計算“日積分流水匯總”。

使用DTS(或者canal)增加一個分數流水表的監聽，當用戶的分數變化時，實時進行日分數流水累加，將1小時一次的定時任務計算，均勻分攤到“每時每刻”，每天新增100w流水，數據庫寫壓力每秒鐘10多次，完全扛得住。
畫外音：如果不能使用DTS/canal，可以使用MQ。

總結，對于這類一次性集中處理大量數據的定時任務，優化思路是：
（1）同一份數據，減少重復計算次數；
（2）分攤CPU計算時間，盡量分散處理（甚至可以實時），而不是集中處理；
（3）減少單次計算數據量；
希望大家有所啟示，思路比結論重要。

最后
歡迎大家一起交流，喜歡文章記得點個贊喲，感謝支持！