Python进阶技巧之利用break和哈希算法优化数据库批量操作

# 危险的写法！
cur.execute("SELECT * FROM huge_table")
rows = cur.fetchall()  # 如果表有1000万行，内存直接爆炸
for row in rows:
    process(row)

import psycopg2

def batch_process(conn, batch_size=1000):
    cur = conn.cursor(name='fetch_large_data') # 创建服务器端游标
    cur.execute("SELECT id, raw_data FROM big_table")
    
    results_batch = []
    
    while True:
        # 这里的 fetchmany 是关键，它每次只从服务器拉取 batch_size 行
        rows = cur.fetchmany(batch_size)
        
        if not rows:
            break # 没有数据了，彻底跳出循环
            
        for row in rows:
            # 模拟复杂的业务逻辑处理
            processed_data = heavy_computation(row)
            results_batch.append(processed_data)
            
            # 这里的 break 是一种逻辑控制：
            # 假设我们在做数据清洗，如果发现某个标志位异常，立即终止本次批次的后续处理
            if is_corrupted_data(processed_data):
                print("发现异常数据，终止当前批次处理")
                break # 跳出内层 for 循环，进入下一轮 while 循环
        
        # 写入数据库或外部存储
        write_to_staging_table(results_batch)
        results_batch.clear() # 释放内存
        
    cur.close()

import hashlib

def generate_row_hash(row_data):
    """
    将行数据序列化并计算 MD5 哈希值
    """
    # 假设 row_data 是一个字典或元组，先转换为标准字符串
    data_str = str(sorted(row_data.items())) if isinstance(row_data, dict) else str(row_data)
    return hashlib.md5(data_str.encode('utf-8')).hexdigest()

def sync_data(conn, source_data_list):
    cur = conn.cursor()
    
    # 1. 获取目标数据库中已存在的哈希集合
    cur.execute("SELECT row_hash FROM sync_log_table")
    existing_hashes = set([row[0] for row in cur.fetchall()])
    
    insert_list = []
    new_hashes = set()
    
    for item in source_data_list:
        # 2. 计算当前数据的哈希
        current_hash = generate_row_hash(item)
        
        # 3. 哈希比对：如果已存在，跳过
        if current_hash in existing_hashes or current_hash in new_hashes:
            continue
            
        new_hashes.add(current_hash)
        # 将数据和哈希值一起打包准备插入
        insert_list.append((item['content'], current_hash))
        
        # 4. 利用 break 进行内存保护
        # 如果待插入列表过大，先写入一批，防止内存暴涨
        if len(insert_list) >= 5000:
            execute_batch_insert(cur, insert_list)
            conn.commit()
            insert_list.clear()
            
    # 处理剩余数据
    if insert_list:
        execute_batch_insert(cur, insert_list)
        conn.commit()
        
    cur.close()

def execute_batch_insert(cursor, data):
    # 使用 psycopg2 的 execute_values 进行高效批量插入
    from psycopg2.extras import execute_values
    sql = "INSERT INTO sync_log_table (content, row_hash) VALUES %s"
    execute_values(cursor, sql, data)

def robust_etl_pipeline():
    """
    整合了哈希校验、流式处理（break）和异常重试的完整流程
    """
    conn = get_db_connection()
    # 开启自动提交，或者在循环内手动 commit
    # conn.autocommit = False 
    
    try:
        # 源数据游标
        source_cur = conn.cursor(name='source_cursor')
        source_cur.execute("SELECT * FROM source_table")
        
        # 目标表准备
        target_cur = conn.cursor()
        
        batch_buffer = []
        processed_count = 0
        
        while True:
            # 1. 流式读取
            rows = source_cur.fetchmany(1000)
            if not rows:
                print("所有数据处理完毕。")
                break
            
            for row in rows:
                # 2. 哈希计算与校验
                row_hash = hashlib.md5(str(row).encode()).hexdigest()
                
                # 简单的去重检查（实际中可查表或维护内存集合）
                if is_duplicate(target_cur, row_hash):
                    continue
                
                # 3. 数据转换
                transformed = transform(row)
                batch_buffer.append((transformed, row_hash))
                
            # 4. 批量写入
            if batch_buffer:
                try:
                    # 使用 execute_values 高效写入
                    from psycopg2.extras import execute_values
                    execute_values(
                        target_cur,
                        "INSERT INTO target_table (data, hash) VALUES %s ON CONFLICT DO NOTHING",
                        batch_buffer
                    )
                    conn.commit()
                    processed_count += len(batch_buffer)
                    print(f"已处理 {processed_count} 条数据...")
                    batch_buffer.clear()
                except Exception as e:
                    print(f"写入失败: {e}")
                    conn.rollback()
                    # 这里可以加入重试逻辑
                    # time.sleep(5) 并尝试重连
                    break # 写入失败，停止处理，防止数据污染

    except Exception as e:
        print(f"发生严重错误: {e}")
    finally:
        if conn:
            conn.close()

def is_duplicate(cursor, hash_val):
    cursor.execute("SELECT 1 FROM target_table WHERE hash = %s", (hash_val,))
    return cursor.fetchone() is not None

def transform(row):
    # 模拟数据转换
    return row[1].upper()