原文地址:http://blog.csdn.net/oldbai001/article/details/51693139
在数据分析领域,数据库是我们的好帮手。不仅可以接受我们的查询时间,还可以在这基础上做进一步分析。所以,我们必然要在数据库插入数据。在实际应用中,我们经常遇到千万级,甚至更大的数据量。如果没有一个快速的插入方法,则会事倍功半,花费大量的时间。
在参加阿里的天池大数据算法竞赛中(流行音乐趋势预测),我遇到了这样的问题,在没有优化数据库查询及插入之前,我花了不少冤枉时间,没有优化之前,1500万条数据,光插入操作就花费了不可思议的12个小时以上(使用最基本的逐条插入)。这也促使我思考怎样优化数据库插入及查询操作,提高效率。
在不断优化过程中,性能有大幅提升。在按时间序列从数据库查询并汇总生成2万6000多首歌曲的下载,播放,收藏数过程中,通过查询生成的操作速度提高从预估的40多小时降低到一小时多。在数据库插入方面,性能得到大幅提升;在新的数据集上测试,5490万+的数据,20分钟完成了插入。下面分享一下我的心得。
优化过程分为2步。第一步,实验静态reader从CSV文件读取数据,达到一定量时,开始多线程插入数据库程序;第二步,使用mysq批量插入操作。
第一步,读取文件,开始插入多线程
在这里,达到一定量的量是个需要斟酌的问题,在我的实验中,开始使用100w作为这个量,但是出现了新的问题,Java 堆内存溢出,最终采用了10W作为量的标准。
当然,可以有其他的量,看大家自己喜欢那个了。
- mport java.io.BufferedReader;
- import java.io.FileNotFoundException;
- import java.io.FileReader;
- import java.io.IOException;
- import java.util.ArrayList;
- import java.util.List;
-
- import preprocess.ImportDataBase;
-
- public class MuiltThreadImportDB {
-
-
-
-
-
-
- private static int m_record = 99999;
- private static BufferedReader br = null;
- private ArrayList<String> list;
- private static int m_thread = 0;
- static {
- try {
- br = new BufferedReader(
- new FileReader(
- "E:/tianci/IJCAI15 Data/data_format1/user_log_format1.csv"),8192);
-
- } catch (FileNotFoundException e) {
- e.printStackTrace();
- }
- try {
- br.readLine();
- } catch (IOException e) {
- e.printStackTrace();
- }
- }
-
- public void start() {
- String line;
- int count = 0;
- list = new ArrayList<String>(m_record + 1);
- synchronized (br) {
- try {
- while ((line = br.readLine()) != null) {
- if (count < m_record) {
- list.add(line);
- count++;
- } else {
- list.add(line);
- count = 0;
- Thread t1 = new Thread(new MultiThread(list),Integer.toString(m_thread++));
- t1.start();
- list = new ArrayList<String>(m_record + 1);
- }
- }
-
- if (list != null) {
- Thread t1 = new Thread(new MultiThread(list),Integer.toString(m_thread++));
- t1.start();
- }
- } catch (IOException e) {
- e.printStackTrace();
- }
- }
- }
-
- public static void main(String[] args) {
- new MuiltThreadImportDB().start();
- }
-
- }
第二步,使用多线程,批量插入数据
- class MultiThread implements Runnable {
- private ArrayList<String> list;
-
- public MultiThread(ArrayList<String> list) {
- this.list = list;
- }
-
- public void run() {
- try {
- ImportDataBase insert = new ImportDataBase(list);
- insert.start();
- } catch (FileNotFoundException e) {
- e.printStackTrace();
- }
- display(this.list);
- }
-
- public void display(List<String> list) {
-
-
-
- System.out.print(Thread.currentThread().getName() + " :");
- System.out.println(list.size());
- }
-
- }
批量操作中,使用mysql的prepareStatement类,当然也使用了statement类的批量操作,性能比不上前者。前者可以达到1w+每秒的插入速度,后者只有2000+;
- public int insertUserBehaviour(ArrayList<String> sqls) throws SQLException {
-
- String sql = "insert into user_behaviour_log (user_id,item_id,cat_id,merchant_id,brand_id,time_stamp,action_type)"
- + " values(?,?,?,?,?,?,?)";
- preStmt = conn.prepareStatement(sql);
- for (int i = 0; i < sqls.size(); i++) {
- UserLog log =new UserLog(sqls.get(i));
- preStmt.setString(1, log.getUser_id());
- preStmt.setString(2, log.getItem_id());
- preStmt.setString(3, log.getCat_id());
- preStmt.setString(4, log.getMerchant_id());
- preStmt.setString(5, log.getBrand_id());
- preStmt.setString(6, log.getTimeStamp());
- preStmt.setString(7, log.getActionType());
- preStmt.addBatch();
- if ((i + 1) % 10000 == 0) {
- preStmt.executeBatch();
- conn.commit();
- preStmt.clearBatch();
- }
- }
- preStmt.executeBatch();
- conn.commit();
- return 1;
- }
当然,也实验了不同的mysql存储引擎,InnoDB和MyISM,实验结果发现,InnoDB更快(3倍左右),可能和mysq的新版本有关系,笔者的mysql版本是5.6。
最后总结一下,大数据量下,提高插入速度的方法。
Java代码方面,使用多线程插入,并且使用批处理提交。
数据库方面,表结构建立时不要使用索引,要不然插入过程过还要维护索引B+树;修改存储引擎,一般默认是InnoDB,(新版本就使用默认就可以,老版本可能需要)。