pt-archiver的实践分享，及为何要用 ob-archiver 归档数据的探讨

作者简介：肖杨，软件开发工程师

在数据密集型业务场景中，数据管理策略是否有效至关重要，它直接关系到系统性能与存储效率的提升。数据归档作为该策略的关键环节，不仅有助于优化数据库性能，还能有效降低存储成本。

在众多数据归档工具中，pt-archiver 深受 MySQL 用户青睐。我撰写此博客的目的，正是为了分享我对 pt-archiver 的亲身体验与深入测试，为大家提供一份详尽的试用报告。同时，我也借此机会向大家介绍我最近开发的 ob-archiver，这是一款专为 OceanBase 设计的数据归档命令行工具，期待能为大家带来便利与帮助。

1. pt-archiver 上手体验

最近在调研数据生命周期管理相关的工具，了解到 Percona-Toolkit 工具集中的 pt-archiver 很受 MySQL 用户的欢迎，于是打算上手体验下。Percona-Toolkit 工具集中包含了 30 多个命令行工具，已经开源了（GitHub - percona/percona-toolkit: Percona Toolkit: a collection of advanced open source command-line tools.），并且收获了 900+ Star。

废话不多说，直接上手试试吧～

1.1. 安装

# percona-toolkit 依赖 perl 环境库，需要提前安装
sudo yum install perl-DBI perl-DBD-MySQL perl-IO-Socket-SSL perl-Digest-MD5 perl-TermReadKey# 安装 percona-toolkit rpm 包
sudo rpm -ivh percona-toolkit-3.5.5-1.el7.x86_64.rpm# 验证 pt-archiver 命令是否可用
pt-archiver --version

1.2. 准备环境

pt-archiver 是针对 MySQL 设计的，没有对 OceanBase MySQL 模式做兼容处理。我这里使用的是 MySQL 5.7.42。

源端数据库/源表：gaoda_archive_source/employee

目标数据库/归档表：gaoda_archive_dest/employee_arc

源表的基本信息：1,000,000 rows with 6 columns

源表 DDL：

CREATE TABLE `employee` (`id` bigint(20) NOT NULL AUTO_INCREMENT,`name` varchar(255) DEFAULT NULL,`birthday` datetime DEFAULT NULL,`weight` double DEFAULT NULL,`gender` enum('MALE','FEMALE') DEFAULT NULL,`description` tinytext,PRIMARY KEY (`id`)
) ENGINE=InnoDB AUTO_INCREMENT=1 DEFAULT CHARSET=utf8

1.3. 场景一：表归档到表

1. 在目标数据库新建相同结构的归档表（必须提前新建，否则会报错）

2. 逐行归档表数据，且不删除源端表已归档数据

3. 查看归档表数据

4. TRUNCATE 归档表，然后在上述命令增加 --limit 和 --bulk-insert 选项以批量归档

1.4. 场景二：表归档到文件

1. 归档 100,000 行表数据到文件（需要确保文件路径已存在）

2. 查看归档文件

1.5. 场景三：数据清理

1. 通过 --purge 选项执行清理，通过 --dry-run 选项可以打印 SQL 并退出而不执行任何操作（类似 EXPLAIN SQL）

2. 删除命令中的--dry-run 选项，执行数据清理

1.6. 体验小结

pt-archiver 的试用过程是比较丝滑的。作为命令行工具，其安装和使用方法简单、参数清晰易懂、日志可读性好。最重要的是轻量化，轻量化，还是 xxx 轻量化，不需要打开任何专业软件就能归档大批量数据，这体验真的很爽啊。另外 --dry-run 选项查看执行计划的功能非常亮眼。

2. pt-archiver 深入测试

用起来很爽，但我更想了解 pt-archiver 归档、清理数据的底层逻辑，比如它的数据查询和删除策略、如何保障归档准确性。PT 官方描述是：

The strategy is to find the first row(s), then scan some index forward-only to find more rows efficiently. Each subsequent query should not scan the entire table; it should seek into the index, then scan until it finds more archivable rows.

数据归档中，为了保障数据一致性和表查询效率，应该会对表结构（主键、索引、约束等）和 WHERE 条件（引用的列是否为索引列等）有一定的要求。pt-archiver 并没有在文档中作出明确说明，因此需要通过更深度地测试，分析其功能细节和使用限制。

2.1. 索引与约束

在下面的测试中，约束全部使用主键约束，索引全部使用普通索引。

先说结论：pt-archiver 数据归档时，要求源表有主键或至少包含一个索引（任意类型），对 WHERE 条件中引用的列没有特殊要求。如果表中存在主键，则使用主键拼接 WHERE 子句，并使用 ORDER BY 按序查询，使用 LIMIT 分批操作；如果表中不存在主键，则使用第一个索引。另外，pt-archiver 会添加 WHERE 子句条件限制具有 AUTO_INCREMENT 属性字段所对应的数据行操作（目的是为了在数据库重启之后，之前 AUTO_INCREMENT 的值还可以使用）。

以下是我的测试过程，不需要关注的同学建议直接跳过哈，因为太枯燥了～

2.1.1. 表-无主键无索引

CREATE TABLE `table_without_pk_and_index` (`col1` varchar(120) DEFAULT NULL,`col2` varchar(120) DEFAULT NULL,`col3` varchar(120) DEFAULT NULL
) ENGINE=InnoDB DEFAULT CHARSET=utf8

运行报错："Cannot find an ascendable index in table at /usr/bin/pt-archiver line 3262, <STDIN> line 2"。尝试通过使用 --no-ascend 并取消 --no-delete 选项来禁用升序索引优化（直译的，官方描述是 Ascending Index Optimization），仍然报上述错误，可以确认 必须要有约束或索引。

2.1.2. 表-有主键无索引

CREATE TABLE `table_only_with_pk` (`col1` varchar(120) NOT NULL,`col2` varchar(120) DEFAULT NULL,`col3` varchar(120) DEFAULT NULL,PRIMARY KEY (`col1`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8

1. where 条件使用主键（varchar 类型）：执行成功，数据准确

2. where 条件使用非主键：执行成功，数据准确

使用 --dry-run查看执行 SQL 可以发现，pt-archiver 会主动去寻找主键，并利用主键 order by 和 limit 来实现 forward 寻找列，并不依赖 WHERE 条件指定索引列：

3. where 条件使用主键和非主键：执行成功，数据准确

2.1.3. 表-无主键有索引

1. 仅有一个索引

CREATE TABLE `table_only_with_index` (`col1` varchar(255) DEFAULT NULL,`col2` varchar(255) DEFAULT NULL,`col3` varchar(255) DEFAULT NULL,KEY `idx_col1` (`col1`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8

a. where 条件使用索引：执行成功，数据准确

b. where 条件使用非索引：执行成功，数据准确

使用 --dry-run查看执行 SQL 可以发现，pt-archiver 会主动去寻找索引列，并利用索引列 order by 和 limit 来实现 forward 寻找列，并不依赖 WHERE 条件指定索引列，不过其 SQL 的 WHERE 子句的拼接与主键存在差异：

注意，这种情况下，理论上存在丢数据风险，下文会给出复现案例。

c. where 条件使用索引和非索引：执行成功，数据准确

2. 存在多个索引

CREATE TABLE `table_only_with_multi_index` (`col1` varchar(255) DEFAULT NULL,`col2` varchar(255) DEFAULT NULL,`col3` varchar(255) DEFAULT NULL,`col4` varchar(255) DEFAULT NULL,KEY `idx_col1` (`col1`),KEY `idx_col2` (`col2`),KEY `idx_col3` (`col3`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8

当表中没有主键，但是存在多个索引时，pt-archiver 默认只会使用第一个索引：

如果使用 --no-ascend 选项来关闭升序索引优化，并删除 --no-delete 选项来及时清理已归档的数据，则 SELECT 语句中直接不会使用任何索引：

2.1.4. 表-有主键有索引

CREATE TABLE `table_with_pk_and_index` (`col1` varchar(255) NOT NULL,`col2` varchar(255) DEFAULT NULL,`col3` varchar(255) DEFAULT NULL,PRIMARY KEY (`col1`),KEY `idx_col2` (`col2`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8

如果表中同时存在主键和索引，则 pt-archiver 在查询中只会使用主键。

1. where 条件使用非索引列

2. where 条件使用索引列

2.2. 异常案例——归档时漏数据

源表结构和数据如下：

CREATE TABLE `table_for_test` (`col1` varchar(120) DEFAULT NULL,`col2` varchar(120) DEFAULT NULL,`col3` varchar(120) DEFAULT NULL,KEY `idx_col1` (`col1`) USING BTREE
) ENGINE=InnoDB DEFAULT CHARSET=utf8

使用 pt-archiver 归档 WHERE col3 < 'j' 的数据，并且保留源端数据，执行以下命令：

pt-archiver --source h=xxx,P=3307,u=root,D=gaoda_archive_source,t=table_for_test,A=utf8 --dest h=xxx,P=3307,u=root,D=gaoda_archive_dest,t=table_for_test_arc,A=utf8 --charset=utf8 --where "col3 < 'j'" --progress 1 --txn-size=1 --statistics --no-delete --ask-pass --limit=5 --bulk-insert

预期应该归档 9 行数据，实际只归档了 7 条数据：