百万级数据excel导出功能如何实现？ Python分分钟搞定！
前言
最近我做过一个MySQL
百万级别
数据的
excel
导出功能，已经正常上线使用了。
这个功能挺有意思的，里面需要注意的细节还真不少，现在拿出来跟大家分享一下，希望对你会有所帮助。
原始需求：用户在
UI界面
上点击
全部导出
按钮，就能导出所有商品数据。
咋一看，这个需求挺简单的。
但如果我告诉你，导出的记录条数，可能有一百多万，甚至两百万呢？
这时你可能会倒吸一口气。
因为你可能会面临如下问题：
- 如果同步导数据，接口很容易超时。
- 如果把所有数据一次性装载到内存，很容易引起OOM。
- 数据量太大sql语句必定很慢。
- 相同商品编号的数据要放到一起。
- 如果走异步，如何通知用户导出结果？
- 如果excel文件太大，目标用户打不开怎么办？
我们要如何才能解决这些问题，实现一个百万级别的excel数据快速导出功能呢？
编辑
1.异步处理
做一个MySQL百万数据级别的excel导出功能，如果走接口同步导出，该接口肯定会非常容易
超时
。
因此，我们在做
系统设计
的时候，第一选择应该是接口走
异步
处理。
说起异步处理，其实有很多种，比如：使用开启一个
线程
，或者使用
线程池
，或者使用
job
，或者使用
mq
等。
为了防止服务重启时数据的丢失问题，我们大多数情况下，会使用
job
或者
mq
来实现异步功能。
1.1 使用job
如果使用job的话，需要增加一张
执行任务表
，记录每次的导出任务。
用户点击全部导出按钮，会调用一个后端接口，该接口会向表中写入一条记录，该记录的状态为：
待执行
。
有个job，每隔一段时间（比如：5分钟），扫描一次执行任务表，查出所有状态是待执行的记录。
然后遍历这些记录，挨个执行。
需要注意的是：如果用job的话，要避免重复执行的情况。比如job每隔5分钟执行一次，但如果数据导出的功能所花费的时间超过了5分钟，在一个job周期内执行不完，就会被下一个job执行周期执行。
所以使用job时可能会出现重复执行的情况。
为了防止job重复执行的情况，该执行任务需要增加一个
执行中
的状态。
具体的状态变化如下：
-
执行任务被刚记录到执行任务表，是
待执行状态。 -
当job第一次执行该执行任务时，该记录再数据库中的状态改为：
执行中。 -
当job跑完了，该记录的状态变成：
完成或失败。
这样导出数据的功能，在第一个job周期内执行不完，在第二次job执行时，查询
待处理
状态，并不会查询出
执行中
状态的数据，也就是说不会重复执行。
此外，使用job还有一个硬伤即：它不是立马执行的，有一定的延迟。
如果对时间不太敏感的业务场景，可以考虑使用该方案。
1.2 使用mq
用户点击全部导出按钮，会调用一个后端接口，该接口会向
mq服务端
，发送一条
mq消息
。
有个专门的
mq消费者
，消费该消息，然后就可以实现excel的数据导出了。
相较于job方案，使用mq方案的话，实时性更好一些。
对于mq消费者处理失败的情况，可以增加
补偿机制
，自动发起
重试
。
RocketMQ
自带了
失败重试功能
，如果失败次数超过了一定的
阀值
，则会将该消息自动放入
死信队列
。
2.使用easyexcel
我们知道在
Java
中解析和生成
Excel
，比较有名的框架有
Apache POI
和
jxl
。
但它们都存在一个严重的问题就是：
非常耗内存
，POI有一套SAX模式的API可以一定程度的解决一些
内存溢出
的问题，但POI还是有一些缺陷，比如07版Excel解压缩以及解压后存储都是在内存中完成的，
内存消耗
依然很大。
百万级别的excel数据导出功能，如果使用传统的Apache POI框架去处理，可能会消耗很大的内存，容易引发
OOM
问题。
而
easyexcel
重写了POI对07版Excel的解析，之前一个3M的excel用POI sax解析，需要100M左右内存，如果改用easyexcel可以降低到几M，并且再大的Excel也不会出现内存溢出；03版依赖POI的sax模式，在上层做了模型转换的封装，让使用者更加简单方便。
需要在
maven
的
pom.xml
文件中引入easyexcel的jar包：
<dependency> <groupId>com.alibaba</groupId> <artifactId>easyexcel</artifactId> <version>3.0.2</version> </dependency>
之后，使用起来非常方便。
读excel数据非常方便：
@Test public void simpleRead() { String fileName = TestFileUtil.getPath() + "demo" + File.separator + "demo.xlsx"; // 这里 需要指定读用哪个class去读，然后读取第一个sheet 文件流会自动关闭 EasyExcel.read(fileName, DemoData.class, new DemoDataListener()).sheet().doRead(); }
写excel数据也非常方便：
@Test public void simpleWrite() { String fileName = TestFileUtil.getPath() + "write" + System.currentTimeMillis() + ".xlsx"; // 这里 需要指定写用哪个class去读，然后写到第一个sheet，名字为模板 然后文件流会自动关闭 // 如果这里想使用03 则 传入excelType参数即可 EasyExcel.write(fileName, DemoData.class).sheet("模板").doWrite(data()); }
easyexcel能大大减少占用内存的主要原因是：在解析Excel时没有将文件数据
一次性全部加载到内存中
，而是从磁盘上一行行读取数据，逐个解析。
3.分页查询
百万级别的数据，从数据库一次性查询出来，是一件非常耗时的工作。
即使我们可以从数据库中一次性查询出所有数据，没出现连接超时问题，这么多的数据全部加载到应用服务的内存中，也有可能会导致应用服务出现
OOM
问题。
因此，我们从数据库中查询数据时，有必要使用
分页查询
。比如：每页5000条记录，分为200页查询。
public Page<User> searchUser(SearchModel searchModel) { List<User> userList = userMapper.searchUser(searchModel); Page<User> pageResponse = Page.create(userList, searchModel); pageResponse.setTotal(userMapper.searchUserCount(searchModel)); return pageResponse; }
每页大小
pageSize
和页码
pageNo
，是SearchModel类中的成员变量，在创建searchModel对象时，可以设置设置这两个参数。
然后在
Mybatis
的sql文件中，通过
limit
语句实现分页功能：
limit #{pageStart}, #{pageSize}
其中的pagetStart参数，是通过pageNo和pageSize动态计算出来的，比如：
pageStart = (pageNo - 1) * pageSize;
4.多个sheet
我们知道，excel对一个sheet存放的最大数据量，是有做限制的，一个sheet最多可以保存
1048576
行数据。否则在保存数据时会直接报错：
invalid row number (1048576) outside allowable range (0..1048575)
如果你想导出一百万以上的数据，excel的一个sheet肯定是存放不下的。
因此我们需要把数据保存到多个sheet中。
5.计算limit的起始位置
我之前说过，我们一般是通过
limit
语句来实现分页查询功能的：
limit #{pageStart}, #{pageSize}
其中的pagetStart参数，是通过pageNo和pageSize动态计算出来的，比如：
pageStart = (pageNo - 1) * pageSize;
如果只有一个sheet可以这么玩，但如果有多个sheet就会有问题。因此，我们需要重新计算
limit
的起始位置。
例如：
ExcelWriter excelWriter = EasyExcelFactory.write(out).build(); int totalPage = searchUserTotalPage(searchModel); if(totalPage > 0) { Page<User> page = Page.create(searchModel); int sheet = (totalPage % maxSheetCount == 0) ? totalPage / maxSheetCount: (totalPage / maxSheetCount) + 1; for(int i=0;i<sheet;i++) { WriterSheet writeSheet = buildSheet(i,"sheet"+i); int startPageNo = i*(maxSheetCount/pageSize)+1; int endPageNo = (i+1)*(maxSheetCount/pageSize); while(page.getPageNo()>=startPageNo && page.getPageNo()<=endPageNo) { page = searchUser(searchModel); if(CollectionUtils.isEmpty(page.getList())) { break; } excelWriter.write(page.getList(),writeSheet); page.setPageNo(page.getPageNo()+1); } } }
这样就能实现分页查询，将数据导出到不同的excel的sheet当中。
6.文件上传到OSS
由于现在我们导出excel数据的方案改成了
异步
，所以没法直接将excel文件，同步返回给用户。
因此我们需要先将excel文件存放到一个地方，当用户有需要时，可以访问到。
这时，我们可以直接将文件上传到
OSS
文件服务器上。
通过OSS提供的上传接口，将excel上传成功后，会返回
文件名称
和
访问路径
。
我们可以将excel名称和访问路径保存到
表
中，这样的话，后面就可以直接通过
浏览器
，访问
远程
excel文件了。
而如果将excel文件保存到
应用服务器
，可能会占用比较多的
磁盘空间
。
一般建议将
应用服务器
和
文件服务器
分开，应用服务器需要更多的
内存资源
或者
CPU资源
，而
文件服务器
需要更多的
磁盘资源
。
7.通过WebSocket推送通知
通过上面的功能已经导出了excel文件，并且上传到了
OSS
文件服务器上。
接下来的任务是要本次excel导出结果，成功还是失败，通知目标用户。
有种做法是在页面上提示：
正在导出excel数据，请耐心等待
。
然后用户可以主动刷新当前页面，获取本地导出excel的结果。
但这种用户交互功能，不太友好。
还有一种方式是通过
webSocket
建立长连接，进行实时通知推送。
如果你使用了
SpringBoot
框架，可以直接引入webSocket的相关jar包：
<dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-websocket</artifactId> </dependency>
使用起来挺方便的。
我们可以加一张专门的
通知表
，记录通过webSocket推送的通知的标题、用户、附件地址、阅读状态、类型等信息。
能更好的追溯通知记录。
webSocket给客户端推送一个通知之后，用户的右上角的收件箱上，实时出现了一个小窗口，提示本次导出excel功能是成功还是失败，并且有文件下载链接。
当前通知的阅读状态是
未读
。
用户点击该窗口，可以看到通知的详细内容，然后通知状态变成
已读
。
8.总条数可配置
我们在做导百万级数据这个需求时，是给用户用的，也有可能是给运营同学用的。
其实我们应该站在实际用户的角度出发，去思考一下，这个需求是否合理。
用户拿到这个百万级别的excel文件，到底有什么用途，在他们的电脑上能否打开该excel文件，电脑是否会出现太大的卡顿了，导致文件使用不了。
如果该功能上线之后，真的发生发生这些情况，那么导出excel也没有啥意义了。
因此，非常有必要把记录的
总条数
，做成
可配置
的，可以根据用户的实际情况调整这个配置。
比如：用户发现excel中有50万的数据，可以正常访问和操作excel，这时候我们可以将总条数调整成500000，把多余的数据截取掉。
其实，在
用户的操作界面
，增加更多的查询条件，用户通过修改查询条件，多次导数据，可以实现将所有数据都导出的功能，这样可能更合理一些。
此外，分页查询时，
每页的大小
，也建议做成可配置的。
通过总条数和每页大小，可以动态调整记录数量和分页查询次数，有助于更好满足用户的需求。
9.order by商品编号
之前的需求是要将相同商品编号的数据放到一起。
例如：
| 编号 | 商品名称 | 仓库名称 | 价格 |
|---|---|---|---|
| 1 | 笔记本 | 北京仓 | 7234 |
| 1 | 笔记本 | 上海仓 | 7235 |
| 1 | 笔记本 | 武汉仓 | 7236 |
| 2 | 平板电脑 | 成都仓 | 7236 |
| 2 | 平板电脑 | 大连仓 | 3339 |
但我们做了分页查询的功能，没法将数据一次性查询出来，直接在Java内存中分组或者排序。
因此，我们需要考虑在sql语句中使用
order by
商品编号，先把数据排好顺序，再查询出数据，这样就能将相同商品编号，仓库不同的数据放到一起。
此外，还有一种情况需要考虑一下，通过配置的总记录数将全部数据做了截取。
但如果最后一个商品编号在最后一页中没有查询完，可能会导致导出的最后一个商品的数据不完整。
因此，我们需要在程序中处理一下，将最后一个商品删除。
但加了order by关键字进行排序之后，如果查询sql中
join
了很多张表，可能会导致查询性能变差。
那么，该怎么办呢？
总结
最后用两张图，总结一下excel异步导数据的流程。
如果是使用mq导数据：
如果是使用job导数据：
编辑
这两种方式都可以，可以根据实际情况选择使用。
我们按照这套方案的开发了代码，发到了pre环境，原本以为会非常顺利，但后面却还是出现了性能问题。
后来，我们用了两招轻松解决了性能问题。
最后
大家可以关注公众号：Python源码 领取完整项目代码
