前提
由於工作的原因,經常需要對海量數據進行處理,做的數據爬蟲相關,動辄千萬級別的數據,單表幾十個G都是都是家常便飯。 主要開發語言是C#,數據庫使用的是MySQL。
最常見的操作便是 select 讀取數據,然後在C#中對數據進行處理, 完畢後再插入數據庫中。 簡而言之就 select -> process -> insert三個步驟。 對於數據量小的情況下(百萬級別 or 幾百兆)可能最多1個小時就處理完了。但是對於千萬級數據可能幾天,甚至更多。 那麼問題來了,如何優化??
(數據庫的一覽,有圖有真相)
第一步 解決讀取的問題
跟數據庫打交道的方式有很多,我來列舉下吧:
1. 【重武器-坦克大炮】使用重型ORM框架,比如EF,NHibernat 這樣的框架。
2. 【輕武器-AK47】 使用Dapper,PetaPoco之類,單cs文件。靈活高效,使用簡單。居家越貨必備(我更喜歡PetaPoco :))
3. 【冷兵器?匕首?】使用原生的Connection、Command。 然後寫原生的SQL語句。。
分析:
【重武器】在我們這裡肯定直接被PASS, 他們應該被用在大型項目中。
【輕武器】Dapper,PetaPoco 看過源碼你會發現用到了反射,雖然使用IL和緩存技術,但是還是會影響讀取效率,PASS
好吧那就只有使用匕首,原生SQL走起, 利用DataReader 進行高效讀取,並且使用索引取數據(更快),而不是列名。
大概的代碼如下:
using (var conn = new MySqlConnection('Connection String...')) { conn.Open(); //此處設置讀取的超時,不然在海量數據時很容易超時 var c = new MySqlCommand('set net_write_timeout=9999999; set net_read_timeout=9999999', conn); c.ExecuteNonQuery(); MySqlCommand rcmd = new MySqlCommand(); rcmd.Connection = conn; rcmd.CommandText = @'SELECT `f1`,`f2` FROM `table1`'; //設置命令的執行超時 rcmd.CommandTimeout = 99999999; var myData = rcmd.ExecuteReader(); while (myData.Read()) { var f1= myData.GetInt32(0); var f2= myData.GetString(1); //這裡做數據處理.... } }
哈哈,怎麼樣,代碼非常原始,還是使用索引來取數據,很容易出錯。 當然一切為了性能咱都忍了
第二步 數據處理
其實這一步,根據你的業務需要,代碼肯定不一, 不過無非是一些字符串處理,類型轉換的操作,這時候就是考驗你的C#基礎功底的時候了。 以及如何高效編寫正則表達式。。。
具體代碼也沒法寫啊 ,先看完CLR via C# 在來跟我討論吧 ,O(∩_∩)O哈哈哈~ 跳過。。。。
第三部 數據插入
如何批量插入才最高效呢? 有同學會說, 使用事務啊,BeginTransaction, 然後EndTransaction。 恩,這個的確可以提高插入效率。 但是還有更加高效的方法,那就是合並insert語句。
那麼怎麼合並呢?
insert into table (f1,f2) values(1,'sss'),values(2,'bbbb'),values(3,'cccc');
就是把values後面的全部用逗號,鏈接起來,然後一次性執行 。
當然不能一次性提交個100MB的SQL執行,MySQL服務器對每次執行命令的長度是有限制的。 通過 MySQL服務器端的max_allowed_packet 屬性可以查看, 默認是1MB
咱們來看看偽代碼吧
//使用StringBuilder高效拼接字符串 var sqlBuilder = new StringBuilder(); //添加insert 語句的頭 string sqlHeader = 'insert into table1 (`f1`,`f2`) values'; sqlBuilder.Append(sqlHeader); using (var conn = new MySqlConnection('Connection String...')) { conn.Open(); //此處設置讀取的超時,不然在海量數據時很容易超時 var c = new MySqlCommand('set net_write_timeout=9999999; set net_read_timeout=9999999', conn); c.ExecuteNonQuery(); MySqlCommand rcmd = new MySqlCommand(); rcmd.Connection = conn; rcmd.CommandText = @'SELECT `f1`,`f2` FROM `table1`'; //設置命令的執行超時 rcmd.CommandTimeout = 99999999; var myData = rcmd.ExecuteReader(); while (myData.Read()) { var f1 = myData.GetInt32(0); var f2 = myData.GetString(1); //這裡做數據處理.... sqlBuilder.AppendFormat('({0},'{1}'),', f1,AddSlash(f2)); if (sqlBuilder.Length >= 1024 * 1024)//當然這裡的1MB length的字符串並不等於 1MB的Packet。。。我知道:) { insertCmd.Execute(sqlBuilder.Remove(sqlBuilder.Length-1,1).ToString())//移除逗號,然後執行 sqlBuilder.Clear();//清空 sqlBuilder.Append(sqlHeader);//在加上insert 頭 } } }
好了,到這裡 大概的優化後的高效查詢、插入就完成了。
結語
總結下來,無非2個關鍵技術點,DataReader、SQL合並,都是一些老的技術啦。
其實,上面的代碼只能稱得上 高效 , 但是, 卻非常的不優雅。。。甚至難看。。。
那那麼問題來了? 如何進行重構呢? 通過重構抽象出一個可用的類,而不必關心字符串拼接這些亂七八糟的東西,支持多線程合並寫入,最大限度提高寫入IO, 我們在下一篇文章中再來談談。