【实战】如何使用 Python 从 Redis 中删除 4000万 KEY

临书

UCloud · 后台开发工程师 (已认证)

发表于随心DevOps

706

本文主要涉及 Redis 的以下两个操作和其 Python 实现，目录：

SCAN 命令
DEL 命令
使用 Python SCAN
使用 Python DEL
成果展示

SCAN 命令

SCAN 命令及相关的 SSCAN、HSCAN 和 ZSCAN 命令都用于增量迭代（incrementally iterate）一个集合的元素（a collection of elements）：

SCAN 用于迭代当前数据库中的数据库键
SSCAN 用于迭代集合键中的元素
HSCAN 用于迭代哈希键中的键值对
ZSCAN 用于迭代有序集合中的元素（包括元素分值和元素分值）

以上四列命令都支持增量迭代，每次执行都会返回少量元素，所以他们都可以用于生产环境，而不会出现像 KEYS、SMEMBERS 命令一样 -- 可能会阻塞服务器

不过，增量式迭代命令也不是没有缺点的：

举个例子，使用 SMEMBERS 命令可以返回集合键当前包含的所有元素，但是对于 SCAN 这类增量迭代命令来说，因为在堆键进行增量迭代的过程中，键可能会被改变，所以增量式迭代命令只能对被返回的元素提供有限的保证（offer limited guarantees about the returned elements）。

因为 SCAN、SSCAN、HSCAN 和 ZSCAN 命令的工作方式都非常相似，但是要记住：

SSCAN、HSCAN 和 ZSCAN 命令的第一个参数总是一个数据库键；
SCAN 命令则不需要在第一个参数提供任何数据库键 -- 因为它迭代的是当前数据库中的所有数据库键。

SCAN 命令的基本用法

SCAN 命令是一个基于游标的迭代器（cursor based iterator）：

SCAN 命令每次被调用后，都会向用户返回一个新的游标，用户在下次迭代时需要使用这个新游标作为 SCAN 命令的游标参数，以此来延续之前的迭代过程。

当 SCAN 命令的游标参数被设置为 0 时，服务器开始一次新的迭代，而当服务器向用户返回值为 0 的游标时，表示迭代结束。

示例：

redis 127.0.0.1:6379> scan 0 
1) "17" 
2)  1) "key:12"
    2) "key:8"
    3) "key:4"
    4) "key:14"
    5) "key:16"
    6) "key:17"
    7) "key:15"
    8) "key:10"
    9) "key:3"
    10) "key:7"
    11) "key:1"
redis 127.0.0.1:6379> scan 17 
1) "0" 
2)  1) "key:5"
    2) "key:18"
    3) "key:0"
    4) "key:2"
    5) "key:19"
    6) "key:13"
    7) "key:6"
    8) "key:9"
    9) "key:11"

上面的例子中，第一次迭代用 0 作为游标，表示开始第一次迭代。

第二次迭代使用第一次迭代时返回的游标，即：17。

从示例可以看出，SCAN 命令的返回是一个两个元素的数组，第一个元素是新游标，第二个元素也是一个数组，包含有所被包含的元素。

第二次调用 SCAN 命令时，返回游标 0，这表示迭代已经结束了，整个数据集（collection）已经被完整遍历过一遍了。

这个过程被称为一次完整遍历（full iteration）。

精简一下内容，补充三点：

因为 SCAN 命令仅仅使用游标来记录迭代状态，所以在迭代过程中，如果这个数据集的元素有增减，如果是减，不保证元素不返回；如果是增，也不保证一定返回；而且在某种情况下同一个元素还可能被返回多次。所以对迭代返回的元素所执行的操作最好可以重复执行多次（类似幂等）。
增量迭代命令不保证每次迭代所返回的元素数量（没扫到嘛），但是我们可以使用 COUNT 选项对命令的行为进行一定程度的调整。COUNT 参数的默认值为 10，在迭代一个足够大的、由哈希表实现的数据库、集合键、哈希键或者有序集合键时，如果用户没有使用 MATCH 选项，那么命令返回的数量通常和 COUNT 选项指定的一样，或者多一些（?），在迭代编码为整数集合（intset：一个由整数值构成的小集合）或编码为压缩列表（ziplist：由不同值构成的一个小哈希或者一个小有序集合）时，会无视 COUNT 选项指定的值，在第一次迭代就将数据集的所有元素都返回给用户。
MATCH 选项，直接看示例吧，如下示例：

redis 127.0.0.1:6379> sadd myset 1 2 3 foo foobar feelsgood
(integer) 6
redis 127.0.0.1:6379> sscan myset 0 match f*
1) "0"
2)  1) "foo"
    2) "feelsgood"
    3) "foobar"

注意：对元素的模式匹配工作是在命令从数据集中取出元素之后，向客户端返回元素之前进行的，所以有可能返回空，示例：

redis 127.0.0.1:6379> scan 0 MATCH *11* 
1) "288" 
2) 1) "key:911"
redis 127.0.0.1:6379> scan 288 MATCH *11* 
1) "224" 
2) (empty list or set)
redis 127.0.0.1:6379> scan 224 MATCH *11*
1) "80" 
2) (empty list or set)
redis 127.0.0.1:6379> scan 80 MATCH *11*
1) "176"
2) (empty list or set)
redis 127.0.0.1:6379> scan 176 MATCH *11* COUNT 1000
1) "0"
2)  1) "key:611"
    2) "key:711"
    3) "key:118"
    4) "key:117"
    5) "key:311"
    6) "key:112"
    7) "key:111"
    8) "key:110"
    9) "key:113"
    10) "key:211"
    11) "key:411"
    12) "key:115"
    13) "key:116"
    14) "key:114"
    15) "key:119"
    16) "key:811"
    17) "key:511"
    18) "key:11"

注意：最后一次迭代，通过 COUNT 选项指定为 1000 强制命令为本次迭代扫描更多元素，从而使返回的元素也变多了。

DEL 命令

这个比较简单，删除给定的一个或者多个 key

redis> SET name "redis"OK
redis> SET type "key-value store"OK 
redis> SET website "redis.com" OK 
redis> DEL name type website
(integer) 3

使用 Python SCAN

安装 redis-py 包

pip install redis

完整代码示例：

import redis

pool=redis.ConnectionPool(
    host='redis_hostname',
    port=6379,
    max_connections=100)
r = redis.StrictRedis(connection_pool=pool)

cursor_number, keys = r.execute_command('scan', 0, "count", 200000)

while True:
    if cursor_number == 0:
        # 结束一次完整的遍历
        break
    cursor_number, keys = r.execute_command('scan', cursor_number, "count", 200000)
    
    # do something with keys

我将需要删除的 key 存在一个文件里，有 2.2G，大概 4000W 个，下一步就是删除了

使用 Python DEL

因为文件很大，我们用到一个小技巧，分块读取

with open("/data/rediskeys") as kf:
    lines = kf.readlines(1024*1024)

调用 delete 方法时，用到一个小技巧就是『*』星号

r.delete(*taskkey_list)

我们看一下定义就清楚了：

Delete Method

放上完整代码（点击阅读原文查看源代码，Gist 托管，需要科学上网）：

import redisimport time

pool=redis.ConnectionPool(host='redis_hostname', port=6379, max_connections=100)

r = redis.StrictRedis(connection_pool=pool)

start_time = time.time()
SUCCESS_DELETED = 0

with open("/data/rediskeys") as kf:
    while True:
        lines = kf.readlines(1024*1024)
        if not lines:
            break
        else:
            taskkey_list = [i.strip() for i in lines if i.startswith("UGC:TASKKEY")]
            
            SUCCESS_DELETED += r.delete(*taskkey_list)
        
        print SUCCESS_DELETED

end_time = time.time()
print end_time - start_time, SUCCESS_DELETED