MySQL 提取 Json 内部字段转储为数字
这只是一次简单数据迁移的统计，数据量不大，麻烦的是一些中间步骤处理和思量。
没有 SQL 优化、索引优化的内容，大家轻喷。
![image-20210708172637941]()
背景
用户眼科属性表记录数大概 986w，目的是把大概 29w 记录的属性值（json 格式）的其中八个字段解析为数字，转储为统计表的记录，用于图表分析。
以下结构、数据都大部分我瞎诌的，不可当真
用户眼科属性表结构如下
CREATE TABLE `property` (
`id` int(11) NOT NULL AUTO_INCREMENT,
`ownerId` int(11) NOT NULL COMMENT '记录ID或者模板ID',
`ownerType` tinyint(4) NOT NULL COMMENT '类型。0：记录 1：模板',
`recorderId` bigint(20) NOT NULL DEFAULT '0' COMMENT '记录者ID',
`userId` bigint(20) NOT NULL DEFAULT '0' COMMENT '用户ID',
`roleId` bigint(20) NOT NULL DEFAULT '0' COMMENT '角色ID',
`type` tinyint(4) NOT NULL COMMENT '字段类型。0：文本 1：备选项 2：时间 3：图片 4：ICD10 9：新图片',
`name` varchar(128) NOT NULL DEFAULT '' COMMENT '字段名称',
`value` mediumtext NOT NULL COMMENT '字段值',
PRIMARY KEY (`id`),
UNIQUE KEY `idxOwnerIdOwnerTypeNameType` (`ownerType`,`ownerId`,`name`,`type`) USING BTREE,
KEY `idxUserIdRoleIdRecorderIdName` (`userId`,`roleId`,`recorderId`,`name`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='属性';
复制代码
问题分析
1、属性值是 Json 格式的，需要使用 Json 操作函数处理
因为属性值是 Json 格式的，如下。较大的一个 Json，但是只需要其中 8 个字段值，提取出来分门别类归为不同统计指标下。
{ ......
"sight": {
"nakedEye": {
"left": "0.9",
"right": "0.6"
},
"correction": {
"left": "1",
"right": "1"
}
},
......
"axialLength": {
"left": "21",
"right": "12"
},
"korneaRadius": {
"left": "34",
"right": "33"
},
......
}
复制代码
所以，需要用到 Json 操作函数：json_extract(value,'$.key1.key2')。
但是需要注意的是这个函数提取的值是带""。比如对上述记录执行json_extract(value,'$.sight.nakedEye.left')的结果是"22"；也可能字段值是空字符串，那结果就是""。
所以，需要使用 replace函数把结果中的 "" 删除掉，最后提取字段的表达式就是：replace(json_extract(value,'$.sight.nakedEye.left'),'"','')。
如果字段不存在的话，结果就是 NULL；无论是外层 sight 不存在，或是内层 left 不存在。
2、字段内容不规范，乱七八糟
理想下，填写的都是规范数字，那经过上面那一步就可以提取完直接导入新表。
但是，现实很残酷，填的东西那叫一个乱七八糟。比如：
- 数字 + 备注：
1(配合欠佳)、1-\+（我猜这是想表示偏高或偏低）
- 数字 + 单位：跟上面相似，
1mm
- 多数值或区间：
22.52/42.45、1-5
- 纯文本描述：
不配合、无法记录
- 文本、数字混杂描述：
较上次增长 10、<1、小于1、BD234/KD23
![img]()
没办法，找产品和业务对情况，好在不多，就 4000 多条，大致扫一下心里有数。得出以下几条解决方案：
- 数字开头：数字开头都是正确记录的数据，省略掉文字描述即可
- 多数值或区间：取最前面的数即可
- 纯文本：说明没有数据，排除掉
- 文本、数字混杂：具体问题具体分析，把其他处理掉之后看还有多少
具体怎么做呢？
第一步：排除正常的数字数据和空数据
WHERE `nakedEyeLeft` REGEXP '[^0-9.]' = 1 // 这个已经可以排除 null 了
AND `nakedEyeLeft` != ''
复制代码
第二步：如果不包含数字，将其设置 NULL 或空字符串
SET nakedEyeLeft = IF(nakedEyeLeft NOT regexp '[0-9]', '', nakedEyeLeft)
复制代码
第三步：提取数字开头的数据的首个数值
SET nakedEyeLeft = IF((nakedEyeLeft + 0 = 0), nakedEyeLeft, nakedEyeLeft + 0)
复制代码
结合起来就是
SET nakedEyeLeft = IF(nakedEyeLeft NOT regexp '[0-9]''', '',
IF((nakedEyeLeft + 0 = 0), nakedEyeLeft, nakedEyeLeft + 0))
WHERE `nakedEyeLeft` REGEXP '[^0-9.]' = 1 // 这个已经可以排除 null 了
AND `nakedEyeLeft` != ''
复制代码
PS：处理一个字段的SQL 看着就简单，但是因为批量一次处理 8 个字段，组合起来就很长。
千万注意不要写错字段。
最后剩下的就是第四类：文本、数字混杂，40 多条。
有些看着简单的，可以用正则自动化处理，比如<1、小于1。
记录的增长值，需要查找上次记录进行计算：较上次增长 10。
剩下有点复杂的，就需要人为处理，提取出可用数据，比如BD234/KD23
不知道看到这里的各位是不是也觉得有些麻烦呢？
我也以为咬着牙搞了，结果业务说直接处理成 0，到时候发现是 0 的话，可以通过页面重新保存的。
![image-20210708160701962]()
就不需要判断是不是数字打头了，直接 + 0；如果是数字打头，会保留开头的数字；否则 = 0。
那最后数据格式化SQL：
UPDATE property
SET nakedEyeLeft = IF(nakedEyeLeft NOT regexp '[0-9]''', '', nakedEyeLeft + 0)
WHERE `nakedEyeLeft` REGEXP '[^0-9.]' = 1 // 这个已经可以排除 null 了
AND `nakedEyeLeft` != '';
复制代码
3.又要抽取内容、又要格式化，记录还有 900w+，太慢了
property 表有 900w+ 的数据，而所需记录的条件，只有name、ownerType、type是可知的，没法命中现有的索引。
如果直接查找的话，直接就是全表扫描，外加数据提取和格式化；更何况还需要关联其他表，补充统计指标的一些其他字段。
这种情况下，直接导入统计表的话，结果就是把两张表+关联表一起锁较长时间，期间没法更改和插入，这样不大现实。
减少扫描行数
做法一：给 name、ownerType、type 加上索引，将扫描记录缩减到 20 w。
但是问题是900w 数据加索引，用完需要删除索引（因为不是业务情况需要），就会导致两次波动；
再加上后续处理锁表时长，问题还是很大。
做法二：将一个记录较少的表做驱动表，这个表可以关联目标表。
CREATE TABLE `property` (
`ownerId` int(11) NOT NULL COMMENT '记录ID或者模板ID',
`ownerType` tinyint(4) NOT NULL COMMENT '类型。0：记录 1：模板',
`type` tinyint(4) NOT NULL COMMENT '字段类型。0：文本 1：备选项 2：时间 3：图片 4：ICD10 9：新图片',
`name` varchar(128) NOT NULL DEFAULT '' COMMENT '字段名称',
`value` mediumtext NOT NULL COMMENT '字段值',
省略其他字段
UNIQUE KEY `idxOwnerIdOwnerTypeNameType` (`ownerType`,`ownerId`,`name`,`type`) USING BTREE
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='属性';
复制代码
表中ownerId 可以关联到记录表，加上之前的条件name、ownerType、type，如此刚好命中 并``idxOwnerIdOwnerTypeNameType (ownerType,ownerId,name,type) 。
CREATE TABLE `medicalrecord` (
`id` int(11) NOT NULL AUTO_INCREMENT,
`name` varchar(50) NOT NULL DEFAULT '' COMMENT '记录名称',
`type` tinyint(4) NOT NULL DEFAULT '0' COMMENT '记录类型。',
省略其他字段
KEY `idxName` (`name`) USING BTREE
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='记录';
复制代码
记录表可以通过 name='眼科记录'命中索引idxName，扫描行数只有2w，加上属性表 29w，最后扫描行数只有 30w 左右，比之全表扫描属性表少了 30 倍！！！。
避免数据提取和格式化的锁表时长
因为存在 8 个字段，每个字段都需要提取和格式化，中间还需要进行判断。这样子一个 SQL 里面同样的提取和格式化操作就要多次执行了。
所以，为了避免这样的问题，需要中间表暂存提取和格式化结果。
CREATE TABLE `propertytmp` (
`id` int(11) NOT NULL AUTO_INCREMENT,
`value` mediumtext NOT NULL COMMENT '字段值',
`nakedEyeLeft` varchar(255) DEFAULT NULL COMMENT '视力-裸眼-左眼',
`nakedEyeRight` varchar(255) DEFAULT NULL COMMENT '视力-裸眼-右眼',
`correctionLeft` varchar(255) DEFAULT NULL COMMENT '视力-矫正-左眼',
`correctionRight` varchar(255) DEFAULT NULL COMMENT '视力-矫正-右眼',
`axialLengthLeft` varchar(255) DEFAULT NULL COMMENT '眼轴长度-左眼',
`axialLengthRight` varchar(255) DEFAULT NULL COMMENT '眼轴长度-右眼',
`korneaRadiusLeft` varchar(255) DEFAULT NULL COMMENT '角膜曲率-左眼',
`korneaRadiusRight` varchar(255) DEFAULT NULL COMMENT '角膜曲率-右眼',
`updated` datetime NOT NULL COMMENT '更新时间',
`deleted` tinyint(1) NOT NULL DEFAULT '0',
PRIMARY KEY (`id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;
复制代码
先将数据导入该表，在此基础上做提取，然后格式化。
最后执行结果比较
数据导入比较
结果：全表扫描属性表导入中间表（40s），属性表新增索引+导入（6s + 3s），关联导入（1.4s）。
因为需要关联其他表，并没有预测的那么理想。
中间表数据提取：7.5s
UPDATE `propertytmp`
SET nakedEyeLeft = REPLACE(json_extract(value,'$.sight.axialLength.left'),'"',''),
nakedEyeLeft = REPLACE(json_extract(value,'$.sight.nakedEye.left'),'"',''),
nakedEyeRight = REPLACE(json_extract(value,'$.sight.nakedEye.right'),'"',''),
correctionLeft = REPLACE(json_extract(value,'$.sight.correction.left'),'"',''),
correctionRight = REPLACE(json_extract(value,'$.sight.correction.right'),'"',''),
axialLengthLeft = REPLACE(json_extract(value,'$.axialLength.left'),'"',''),
axialLengthRight = REPLACE(json_extract(value,'$.axialLength.right'),'"',''),
korneaRadiusLeft = REPLACE(json_extract(value,'$.korneaRadius.left'),'"',''),
korneaRadiusRight = REPLACE(json_extract(value,'$.korneaRadius.right'),'"','');
复制代码
中间表数据格式化：2.3s
正则判断比我想象的要快啊
UPDATE propertytmp
SET nakedEyeLeft = IF(nakedEyeLeft NOT REGEXP '[0-9]' AND nakedEyeLeft != '', '', nakedEyeLeft + 0),
nakedEyeRight = IF(nakedEyeRight NOT REGEXP '[0-9]' AND nakedEyeRight != '', '', nakedEyeRight + 0),
correctionLeft = IF(correctionLeft NOT REGEXP '[0-9]' AND correctionLeft != '', '', correctionLeft + 0),
correctionRight = IF(correctionRight NOT REGEXP '[0-9]' AND correctionRight != '', '', correctionRight + 0),
axialLengthLeft = IF(axialLengthLeft NOT REGEXP '[0-9]' AND axialLengthLeft != '', '', axialLengthLeft + 0),
axialLengthRight = IF(axialLengthRight NOT REGEXP '[0-9]' AND axialLengthRight != '', '', axialLengthRight + 0),
korneaRadiusLeft = IF(korneaRadiusLeft NOT REGEXP '[0-9]' AND korneaRadiusLeft != '', '', korneaRadiusLeft + 0),
korneaRadiusRight = IF(korneaRadiusRight NOT REGEXP '[0-9]' AND korneaRadiusRight != '', '', korneaRadiusRight + 0)
WHERE (`nakedEyeLeft` REGEXP '[^0-9.]' = 1
AND `nakedEyeLeft` != '')
OR (`nakedEyeRight` REGEXP '[^0-9.]' = 1
AND `nakedEyeRight` != '')
OR (`correctionLeft` REGEXP '[^0-9.]' = 1
AND `correctionLeft` != '')
OR (`correctionRight` REGEXP '[^0-9.]' = 1
AND `correctionRight` != '')
OR (`axialLengthLeft` REGEXP '[^0-9.]' = 1
AND `axialLengthLeft` != '')
OR (`axialLengthRight` REGEXP '[^0-9.]' = 1
AND `axialLengthRight` != '')
OR (`korneaRadiusLeft` REGEXP '[^0-9.]' = 1
AND `korneaRadiusLeft` != '')
OR (`korneaRadiusRight` REGEXP '[^0-9.]' = 1
AND `korneaRadiusRight` != '');
复制代码
统计指标中间表
因为实际导入统计指标表时，还需要排除为空数据，以及关联其他表做补充。
为了减少对指标表的影响，又建了指标表的中间表，结构完全一致，ID自增是目标表 + 10000。
将属性中间表的数据导入指标中间表，最后直接 INSERT ... SELECT FROM，就很快了。
当然这步其实有点矫枉过正了，但是为了避免线上的一些波动，还是谨慎一些较好。
总结
这是一次简单的数据迁移经历记录。
没有索引优化、SQL优化的内容，只是觉得大家需要有这种关注性能和对用户影响的考虑。
