Files
archer/docs/sharding.md
T
voidandClaude Sonnet 4.6 366d61ca25 Add archer import and allow date-mode bulk delete
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>
2026-11-08 21:14:23 +08:00

5.9 KiB
Raw Blame History

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:

  1. 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。
  2. 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。
  3. 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。