最近在 cnblogs 网站上,看其他人博客,谈及一个包含很多行(一亿)的大文件,一周之内,将其数据导入到数据库表。
我谈到可以使用"使用数据库事务,分批 commit 到数据库,每批次有 5000行"的方法,提高数据导入速度,两天应该就可以了。
好像博主及下方评论者,不太理解,这个"分批 commit "。
特写此博客,介绍一下使用 JDBC 的 executeBatch 做分批 commit,以提高大批量数据的导入速度。
JDBC 有个 PreparedStatement 类,包含 addBatch, executeBatch 等函数(或称之为方法,我不区分这两个概念)。配合 Connection 的setAutoCommit(false), commit(),即可实现"分批 commit "。
当然,首先要逐行读数据文件。这里的数据文件,一般是 .txt 或 .csv 之类的纯文本文件,以逗号作为列分割,有的以 tab 做分割字符,也有的使用固定列宽(比如1-4字符为第一列,5-12为第二列...)。
我们使用 BufferedReader 来实现逐行读取。这是一个常用的 Java 类,可很好地用于此处文件读取。
为了方便起见,软件将从 Java 命令行读取 JVM 参数,举例如下:
-Ddata_file=C:\svn_projects\sgm_small_projects\batch_data_import\data\sample_data_1w.csv -Dfrom_line=1 -Dto_line= -Dbatch_commit_size=5000 -Duse_multi_thread=false
其中,
参数 data_file 为数据文件;
from_line 用于指定数据文件中的起始行号,最小值为1,一方面可用于跳过标题行,另一方面,可用于长时间运行过程中,如有中断,可重新从某行开始;
to_line 用于指定数据文件中的结束行号,可空;
batch_commit_size 用于指定每批次的数据行数,可调整,以便测试哪种参数,导入数据最快,此处配置为5000;
use_multi_thread 用于指定程序是否使用多线程,此参数暂无用处。
大批量数据文件导入,一般的策略为:
a. 正确的数据,尽量全部导入;
b. 错误的数据,跳过、记录报错数据行信息,继续运行;
c. 全部导入完成后,分析错误的数据,特殊处理。
以下介绍的代码,可以很好地实现这几个策略(报错到批次、行号范围)。运行时有类似如下的日志信息:
15:49:49.201 [main] INFO c.z.b.srv.DatabaseSrv - saveBatchDataInTrasaction begin,iBatchNum:1
15:49:51.416 [main] INFO c.z.b.srv.DatabaseSrv - 批量 commit,批次号:1, 原数据文件行[1-5000], 提交成功.
15:49:51.422 [main] INFO c.z.b.srv.DatabaseSrv - saveBatchDataInTrasaction begin,iBatchNum:2
15:49:52.306 [main] INFO c.z.b.srv.DatabaseSrv - 批量 commit,批次号:2, 原数据文件行[5001-10000], 提交成功.
15:49:52.329 [main] INFO c.z.b.srv.DatabaseSrv - saveBatchDataInTrasaction begin,iBatchNum:3
15:49:53.253 [main] INFO c.z.b.srv.DatabaseSrv - 批量 commit,批次号:3, 原数据文件行[10001-15000], 提交成功.
15:49:53.277 [main] INFO c.z.b.srv.DatabaseSrv - saveBatchDataInTrasaction begin,iBatchNum:4
15:49:54.188 [main] INFO c.z.b.srv.DatabaseSrv - 批量 commit,批次号:4, 原数据文件行[15001-20000], 提交成功.
主控程序 BatchDataImportMain ,功能为读取以上参数,然后使用 reader 读数据文件,最后调用 dataSrv.saveData ,代码如下:
public class BatchDataImportMain { public static void main(String[] args) { Logger log = LoggerFactory.getLogger(BatchDataImportMain.class); try { log.info("从命令行参数中获取数据..."); String strDataFile = System.getProperty("data_file"); // 数据文件的第一行为1,不是0,方便用户理解 String strFromLine = System.getProperty("from_line", "1"); String strToLine = System.getProperty("to_line"); MutableObject<Long> iFromLine = null; if (StringUtils.isNotEmpty(strFromLine)) { iFromLine = new MutableObject<Long>(); iFromLine.setValue(Long.parseLong(strFromLine)); } MutableObject<Long> iToLine = null; if (StringUtils.isNotEmpty(strToLine)) { iToLine = new MutableObject<Long>(); iToLine.setValue(Long.parseLong(strToLine)); } String strBatchCommitSize = System.getProperty("batch_commit_size"); int iBatchCommitSize = 5000; if (StringUtils.isNotEmpty(strBatchCommitSize)) { iBatchCommitSize = Integer.parseInt(strBatchCommitSize); } String strUseMultiThread = System.getProperty("use_multi_thread"); boolean bUseMultiThread = false; if (StringUtils.equalsIgnoreCase(strUseMultiThread, "true")) { bUseMultiThread = true; } File fDataFile = new File(strDataFile); log.info("begin save data from file:" + fDataFile.getAbsolutePath()); DataImportSrvBase dataSrv = null; if (bUseMultiThread) { dataSrv = new DataImportSrvUseThread(); } else { dataSrv = new DataImportSrvNotUseThread(); } try (FileInputStream fis = new FileInputStream(fDataFile)) { String charsetName = "gbk"; try (InputStreamReader isr = new InputStreamReader(fis, charsetName)) { try (BufferedReader br = new BufferedReader(isr)) { dataSrv.saveData(br, iFromLine, iToLine, iBatchCommitSize, fDataFile.getName()); } } } log.info("ends save data from file:" + fDataFile.getAbsolutePath()); } catch (Exception err) { log.error(err.getMessage(), err); } }}
以上 dataSrv 为不采用多线程的 DataImportSrvNotUseThread,此类的功能,是对 reader 中的数据,逐行取出,每5000行为一批次,调用数据保存代码。内存占用最多为5000行数据,不会导致内存溢出。
分批时,记录当前批次的数据中,在原始数据文件中的起始行号、结束行号、当前第几批。
DataImportSrvNotUseThread 代码如下:
public class DataImportSrvNotUseThread extends DataImportSrvBase { @Override public void saveData(BufferedReader br, MutableObject<Long> iFromLine, MutableObject<Long> iToLine, int iBatchCommitSize, String fileName) throws IOException, SQLException { String strLine = null; // DataLineParseSrv dataSrv = new DataLineParseSrv(); LinkedList<LineString> batchLineDataBufferList = new LinkedList<LineString>(); long iBatchNum = 0; long iLineNumOfFile = 0; while ((strLine = br.readLine()) != null) { iLineNumOfFile++; if (iFromLine != null && iFromLine.getValue() > iLineNumOfFile) { continue; } if (iToLine != null && iToLine.getValue() < iLineNumOfFile) { break; } if (StringUtils.isEmpty(strLine)) { continue; } // LineData data = dataSrv.parse(line); LineString lineData = new LineString(); lineData.strLine = strLine; lineData.lineNumAtFile = iLineNumOfFile; batchLineDataBufferList.add(lineData); if (batchLineDataBufferList.size() >= iBatchCommitSize) { iBatchNum++; long iLineNumBeginOfBatch = batchLineDataBufferList.getFirst().lineNumAtFile; long iLineNumEndOfBatch = lineData.lineNumAtFile; new DatabaseSrv().saveBatchDataInTrasaction(iBatchNum, iLineNumBeginOfBatch, iLineNumEndOfBatch, batchLineDataBufferList); batchLineDataBufferList = new LinkedList<LineString>(); } } if (batchLineDataBufferList.size() > 0) { iBatchNum++; long iLineNumBeginOfBatch = batchLineDataBufferList.getFirst().lineNumAtFile; long iLineNumEndOfBatch = batchLineDataBufferList.getLast().lineNumAtFile; new DatabaseSrv().saveBatchDataInTrasaction(iBatchNum, iLineNumBeginOfBatch, iLineNumEndOfBatch, batchLineDataBufferList); batchLineDataBufferList = new LinkedList<LineString>(); } }}
最后,DatabaseSrv 类的 saveBatchDataInTrasaction 函数,保存一批数据,使用一个数据库连接、一个 transaction. 此函数内部,使用 PreparedStatement 的executeBatch。
此处使用了数据库连接池。有的数据库,初次建立连接,用时很长,而使用数据库连接池,相比未使用数据库连接池,可大幅提高性能。
DatabaseSrv 代码如下:
public class DatabaseSrv { static BasicDataSource g_ds = null; public void saveBatchDataInTrasaction(long iBatchNum, long iLineNumBeginOfBatch, long iLineNumEndOfBatch, List<LineString> batchLineDataBufferList) throws SQLException { Logger log = LoggerFactory.getLogger(DatabaseSrv.class); log.info("saveBatchDataInTrasaction begin,iBatchNum:" + iBatchNum); try { DataLineParseSrv dataSrv = new DataLineParseSrv(); BasicDataSource ds = getDataSource(); try (Connection con = ds.getConnection()) { con.setAutoCommit(false); con.setTransactionIsolation(Connection.TRANSACTION_READ_COMMITTED); String sql = "insert into tt_test(col_a,col_b,col_c,col_d,col_e,col_f,col_g,col_h,col_i,col_j,col_k,col_l) values(?,?,?,?,?,?,?,?,?,?,?,?);"; try (PreparedStatement ps = con.prepareStatement(sql)) { for (LineString d : batchLineDataBufferList) { LineParsedData parsedData = dataSrv.parse(d); long iLineNum = d.lineNumAtFile;// 也可以在表中,先增加一列,保存数据行号。以便检查哪些行成功导入了。 ps.setString(1, parsedData.a); // 1 is the first ? (1 based counting) ps.setString(2, parsedData.b); ps.setString(3, parsedData.c); ps.setString(4, parsedData.d); ps.setString(5, parsedData.e); ps.setString(6, parsedData.f); ps.setString(7, parsedData.g); ps.setString(8, parsedData.h); ps.setString(9, parsedData.i); ps.setString(10, parsedData.j); ps.setString(11, parsedData.k); ps.setString(12, parsedData.l); ps.addBatch(); } ps.executeBatch(); con.commit(); // statement.clearBatch(); //If you want to add more, } catch (Exception err) { log.error(err.getMessage(), err); con.rollback(); } } log.info("批量 commit,批次号:" + iBatchNum + ", 原数据文件行[" + iLineNumBeginOfBatch + "-" + iLineNumEndOfBatch + "], 提交成功."); } catch (Exception err) { log.error(err.getMessage(), err); log.info("批量 commit,批次号:" + iBatchNum + ", 原数据文件行[" + iLineNumBeginOfBatch + "-" + iLineNumEndOfBatch + "], 提交失败."); } } public static BasicDataSource getDataSource() { if (g_ds != null) { return g_ds; } else { BasicDataSource ds = new BasicDataSource(); ds.setDriverClassName("org.postgresql.Driver"); ds.setTestOnBorrow(true); ds.setUrl("jdbc:postgresql://192.168.1.50:5432/zg_prt_uld"); ds.setValidationQuery("select 1 as a;"); ds.setUsername("zg_prt_uld_db_user"); ds.setPassword("zg_Hello~1234!"); ds.setInitialSize(1); ds.setMaxActive(30); g_ds = ds; return g_ds; } }}
还有一些重要性较低的代码,此处未贴出。如需要,也可提供。
经初步测试,以上代码,未使用多线程,导入 2万行数据,运行三次,用时分别为 5.696秒, 4.968 秒, 5.04 秒。
按第一次运行的速度(3511行/秒),导入 2 亿行数据,顺利的话,完成导入所用时间为 15.8小时。即使加上异常数据分析、特殊处理的操作,也能很好完成该博主的工作任务(1周之内完成数据导入)。
当然,此处代码,仍有性能优化的余地。
以上性能测试,使用的是 Postgres 数据库,本地无线局域网连接。
原文转载:http://www.shaoqun.com/a/504100.html
扬帆计划:https://www.ikjzd.com/w/1581
upc:https://www.ikjzd.com/w/111
最近在cnblogs网站上,看其他人博客,谈及一个包含很多行(一亿)的大文件,一周之内,将其数据导入到数据库表。我谈到可以使用"使用数据库事务,分批commit到数据库,每批次有5000行"的方法,提高数据导入速度,两天应该就可以了。好像博主及下方评论者,不太理解,这个"分批commit"。特写此博客,介绍一下使用JDBC的executeBatch做分批commit,以提高大批量数据的导入速度。最
贝贝官网:贝贝官网
bap:bap
口述:女友趁我出差 让初恋看光她的身子:口述:女友趁我出差 让初恋看光她的身子
提供大幅折扣也有错?亚马逊和Flipkart遭调查!:提供大幅折扣也有错?亚马逊和Flipkart遭调查!
慈禧曾认为"月饼"说法不雅 改名为"月菜糕":慈禧曾认为"月饼"说法不雅 改名为"月菜糕"
No comments:
Post a Comment