mysql使用临时表中的数据_使用临时表MySQL中的大量数据填充表

MySQL中可以使用临时表来存储大量数据，然后将这些数据插入到其他表中。

以下是一些填充表的示例：

1. 从另一个表中选择数据并将其插入到临时表中：

CREATE TEMPORARY TABLE temp_table SELECT * FROM original_table;

2. 向临时表中插入数据：

INSERT INTO temp_table (column1, column2, column3) VALUES (value1, value2, value3);

3. 将临时表中的数据插入到目标表中：

INSERT INTO target_table (column1, column2, column3) SELECT column1, column2, column3 FROM temp_table;

4. 删除临时表：

DROP TEMPORARY TABLE temp_table;

这样，您就可以使用临时表来存储大量数据，并将其插入到其他表中。请注意，临时表只在当前会话中存在，并在会话结束时自动删除。

相关问题

在MySQL 5.7的存储过程中，如何步骤创建一个临时表，将数据填充到该表中，接着通过游标操作这些数据，最后确保在存储过程执行完毕后自动删除临时表？

在MySQL 5.7的存储过程中创建一个临时表、填充数据并使用游标以及后续清理的步骤如下：

1. **创建临时表**:

CREATE TEMPORARY TABLE IF NOT EXISTS temp_table (
   column1 datatype,
   column2 datatype,
   ... -- 根据需要定义表结构
);

这里`column1`, `column2`等是表列名，`datatype`是相应的数据类型。

2. **填充数据**:
假设你已经有了数据源，可以使用`INSERT INTO SELECT`语句将数据插入临时表，例如：

INSERT INTO temp_table SELECT * FROM source_data;

这里的`source_data`是你想要填充的数据源。

3. **使用游标遍历数据**:

DECLARE cursor CURSOR FOR SELECT * FROM temp_table;
DECLARE continue HANDLER FOR NOT FOUND SET @done = TRUE;

OPEN cursor;
LOOP
   FETCH cursor INTO some_column1, some_column2; -- 根据实际表结构获取字段值
   IF @done THEN
      LEAVE loop;
   END IF;
   -- 这里处理每行数据的操作
END LOOP;

CLOSE cursor;
DEALLOCATE GLOBAL CURSOR;

4. **存储过程结束时自动删除临时表**:
由于MySQL不会自动删除临时表，需要在存储过程结尾添加一条`DROP TABLE temp_table`语句，确保在存储过程结束后删除它。但是要注意，在事务回滚的情况下，临时表会自动保留。如果你想确保无论如何都要删除，可以在存储过程开始时设置`SET FOREIGN_KEY_CHECKS=0`然后在结束前恢复这个设置，如：

START TRANSACTION;
SET FOREIGN_KEY_CHECKS = 0;
... (其他操作)
COMMIT; -- 或者在这里加上 ROLLBACK IF ... 条件
SET FOREIGN_KEY_CHECKS = 1;
DROP TABLE temp_table;

用idea用spark将ods库中order_info表昨天的分区（子任务一生成的etl_date字段的值）数据抽取到dwd库中fact_order_info的分区表中（不需要设置mysql的分区，以etl_date值当作分区即可）。字段etl_date的值取create_time的值并将格式转换为yyyyMMdd，类型为String，。同时若operate_time为空，则用create_time填充，并添加dwd_insert_user、dwd_insert_time、dwd_modify_user、dwd_modify_time四列，其中dwd_insert_user、dwd_modify_user均填写“user1”，dwd_insert_time、dwd_modify_time均填写当前操作时间，并进行数据类型转换

好的，根据您的要求，我可以提供以下代码示例：

import org.apache.spark.sql.SparkSession;
import org.apache.spark.sql.functions;
import org.apache.spark.sql.types.DataTypes;

public class ExtractOrderInfo {
    public static void main(String[] args) {
        // 创建 SparkSession
        SparkSession spark = SparkSession.builder().appName("ExtractOrderInfo").getOrCreate();
        
        // 读取 ods 库中的 order_info 表
        String etlDate = "20220101"; // 假设要抽取 2022 年 1 月 1 日的数据
        String orderInfoPath = "/path/to/ods/order_info/etl_date=" + etlDate;
        spark.read().parquet(orderInfoPath).createOrReplaceTempView("order_info");
        
        // 处理数据
        spark.sql("SELECT " +
                    "IF(operate_time IS NULL, create_time, operate_time) AS etl_date, " +
                    "order_id, " +
                    "order_status, " +
                    "user_id, " +
                    "order_total_amount, " +
                    "order_discount_amount, " +
                    "payment_amount, " +
                    "payment_way, " +
                    "partition_time, " +
                    "'user1' AS dwd_insert_user, " +
                    "CURRENT_TIMESTAMP() AS dwd_insert_time, " +
                    "'user1' AS dwd_modify_user, " +
                    "CURRENT_TIMESTAMP() AS dwd_modify_time " +
                "FROM order_info")
            .withColumn("etl_date", functions.date_format(functions.col("etl_date"), "yyyyMMdd"))
            .withColumn("dwd_insert_time", functions.date_format(functions.col("dwd_insert_time"), "yyyy-MM-dd HH:mm:ss"))
            .withColumn("dwd_modify_time", functions.date_format(functions.col("dwd_modify_time"), "yyyy-MM-dd HH:mm:ss"))
            .write()
            .option("compression", "snappy")
            .mode("overwrite")
            .partitionBy("etl_date")
            .option("path", "/path/to/dwd/fact_order_info/")
            .format("parquet")
            .saveAsTable("fact_order_info");
        
        // 关闭 SparkSession
        spark.stop();
    }
}

上述代码中，我们首先读取了 ods 库中指定日期的 order_info 表数据，并使用 `CREATE TEMP VIEW` 方法将其注册为临时表。然后，我们使用 SQL 语句对数据进行处理，生成符合要求的数据集。最后，我们使用 Spark SQL 的 `withColumn` 方法对字段进行类型转换，并使用 `partitionBy` 方法将数据按照 `etl_date` 字段分区，最终将处理好的数据写入到 dwd 库中的 `fact_order_info` 表中。

需要注意的是，上述代码中的路径和表名仅供参考，您需要根据实际情况进行修改。在使用时，您还需要将代码打包成 jar 文件，并在 Spark 集群上提交作业运行。