archer import replays a sealed archive into an existing table: shard selection (`--select`), SHA-256 pre-verification, idempotent modes (`ignore`/`insert`/`replace`), and both LOAD DATA and batched-INSERT engines. It reads manifest.jsonl strictly so corruption is reported instead of skipped, and supports --dry-run, --allow-partial, and per-shard workers. --bulk-delete no longer rejects --shard-by date. Range deletion now derives its bounds from the chunk's actual keys (date scanners rewrite LastKey into a resumption cursor) and keeps safe-auto-increment semantics by excluding the current max key. A startup warning documents the monotonic-shard-column assumption. Also splits CLI/format/sharding/progress/safety reference docs out of the README, and adds the corresponding OpenSpec change artifacts. Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>
5.9 KiB
分片模式
--shard-by |
行为 | 文件 |
|---|---|---|
none(默认) |
单文件 | <seq>.<lo>-<hi>.<format> |
count |
每 --shard-rows 行封片,流式滚动 |
同上,序号递增 |
date |
每个日期一个目录;同一天内可再按 --shard-rows 切分 |
date=YYYY-MM-DD/<seq>.<lo>-<hi>.<format> |
三种模式都保证:
- 分片按扫描顺序编号;
- 相邻分片的主键范围连续、不重叠;
- 分片合并等于本次扫描读取到的全部行;
- 文件名中的
lo/hi是该分片实际首尾键; - 同一时刻只有一个活跃分片文件(因此没有 fd 上限问题)。
--chunk-size(每次 SELECT 的行数、事务大小、checkpoint 粒度)与
--shard-rows 相互独立,一个 chunk 可以跨多个分片。
分片先写 <seq>.partial,flush + fsync 后原子重命名为最终文件名。
日期分片
必须显式指定 --shard-column,即使表中只有一个日期列:
archer --source '...' --table orders --where "1=1" \
--file ./export --shard-by date --shard-column created_at
启动时探测索引并选择路径:
| 索引 | 路径 | 读事务 / 删除 |
|---|---|---|
(created_at, id) 联合索引 |
A:(created_at, id) keyset 分块 |
每 chunk 一个短查询;dest 写入与 purge 可放同一事务 |
只有 created_at 单列索引 |
B:逐日枚举 + 长游标流式读取 | 读取是一个长查询、占用独立连接;写入/删除仍按 chunk 提交,purge 使用第二条连接 |
| 都没有 | 报错退出;--allow-full-scan 可覆盖 |
— |
为什么分两条路径
分界不是实现偏好,而是索引能力决定了两件事:能否精确 seek,以及读取能否短事务化。
- 路径 A:联合索引
(created_at, id)让(created_at, id) > (?, ?)成为一次精确的索引范围定位。 每个 chunk 都是 O(chunk) 的短查询,游标就是一个元组,天然可以按 chunk 续跑; dest 写入和 purge 删除还能放进同一个事务,跨 chunk 之间不持有任何长事务。 - 路径 B:只有
created_at单列索引。InnoDB 二级索引的物理顺序是(created_at, <主键>)(主键会隐式追加到索引末尾),所以当游标键恰好是主键时,ORDER BY created_at, id的输出依然有序, 分片不变量成立;若所选唯一键不是主键,日内顺序不再由索引保证,需要 filesort(结果仍正确,只是更慢)。 但id不是显式索引列,(created_at, id) > (?, ?)无法作为精确索引范围下推。 如果仍按 chunk 反复查询,每次都得从当天起点重新扫描再过滤已读行,单日内会退化为 O(天行数 × chunk 数)。所以改为“每天一条查询 + 长游标流式读完”:只扫一遍, 代价是这条读查询长时间占用一条连接(同连接不能再发删除语句),删除必须换第二条连接, 且长读快照会延长 undo 保留时间。
因此:A 是推荐路径;B 是“不改表结构也能用”的兼容路径。启动时探测索引,就是为了让 有联合索引的用户拿到逐 chunk 短事务与精确续跑,让只有单列索引的用户不必在生产大表上 新建索引也能完成归档;两者都没有时默认 fail-fast,而不是静默退化成全表扫描。
需要区分两件事:索引决定的是执行方式,不是结果正确性。(created_at, id) > (?, ?) 在没有
联合索引时依旧按“先 created_at、相等再比 id”的字典序正确求值,只是优化器不能把它变成精确的
索引起点;缺索引的后果是重复扫描与耗时(即路径 B 要规避的单日 O(天行数 × chunk 数) 退化),
而不是多读、漏读或删错行。两条路径产出的行集相同,区别只在能否逐 chunk 精确 seek、
以及读取能否短事务化。
path A 的游标比较是行构造器:
WHERE (<where>)
AND (created_at, id) > (?, ?)
ORDER BY created_at, id
LIMIT ?
这里的 id 不是特指名为 id 的列,而是所选唯一键(优先主键,没有主键时用第一个唯一索引)。
日期分片本身只要求“同一天的行落在同一个文件”,并不要求按主键排序,但游标仍然需要这个唯一键:
created_at不唯一:同一秒可能有大量行。只比较created_at时,>会跳过同秒的其余行,>=会反复重读同一批行(只能靠OFFSET跳过,深分页会退化)。加上唯一键构成全序, 游标(created_at, id) > (?, ?)才能既不重不漏地向前推进。- 断点续跑必须能唯一定位一行:
state.json里的游标就是这个元组;只有时间戳无法区分 同秒的行,重启后会重复或跳过。 - 归档语义本身也需要主键:文件名里的
pk_lo/pk_hi、IN 列表删除、--safe-auto-increment保护最大自增行,都按唯一键工作。
所以准确说法是:日期决定文件归属,唯一键只在日期内部提供全序和可恢复的游标。 如果业务上日期列本身唯一(一行一个时间点),理论上不需要 tie-breaker,但本工具仍要求 表有唯一键,因为删除和清单语义都依赖它。
NULL 日期行先单独扫描(created_at IS NULL),再扫描非 NULL 行,保持有序。
零日期:默认报错并输出行主键;--zero-date bucket 将其放入
date=0000-00-00 分片。
整数 epoch 列:必须声明单位,否则会采样 min/max 并展示三种解释,绝不自动选择:
--shard-column ts --shard-column-type epoch-seconds
# 可选:epoch-seconds / epoch-milliseconds / epoch-microseconds
时区:
| 列类型 | 日期归属 |
|---|---|
DATE / DATETIME |
原值,不做换算 |
TIMESTAMP |
连接会话 time_zone |
| epoch 整数 | --shard-time-zone(默认 UTC) |
--shard-time-zone 与 DSN 中的 time_zone 都计入配置指纹;续跑时不一致会拒绝。