打造次世代分析型数据库（八）：高效数据导入导出方案

本文链接：https://blog.csdn.net/cloudbigdata/article/details/128030232

本文介绍了腾讯云数据库工程师苏翠翠关于CDWPG数据库并行导入导出的优化方案，主要涉及TDX服务的部署和使用。TDX通过在外表实现多DN并行导入，提升数据处理效率，避免了原生COPY方式的串行瓶颈。文章详细阐述了TDX服务的安装、配置、启动，以及外部表的创建和数据的导入导出过程，展示了数据导入的执行计划，强调了DN的并行处理能力。

摘要由CSDN通过智能技术生成

作者介绍

ceciliasu（苏翠翠），腾讯云数据库工程师，加入腾讯以来持续从事分布式数据库内核研发工作，曾负责TDSQL PG版、CDW PG快速扩容能力设计和研发。目前主要参与CDW PG数据库内核研发相关工作，负责外部数据快速导入工具的设计和研发。

原生数据导入导出方式以及存在的问题

使用原生COPY导入数据相当耗时，这是因为在CN上执行COPY导入数据是一个串行执行的过程，所有数据都需要经过CN处理分发给不同DN入库，所以CN是瓶颈，它只适合小数据量的导入。

图表 1 COPY数据流向示意图

TDX提出了一种基于外表实现多DN并行导入数据的方式，将数据的处理和写入直接下推到DN执行，使DN直连数据源，充分利用分布式数据库的多节点优势，最大化数据库的计算能力。

图表 2 TDX数据流向示意图

从零开始 - TDX使用实践

并行文件分发组件TDX服务部署

支持CDW PG并行导入导出的第一步便是在数据服务器上部署CDW PG并行文件分发组件-TDX服务。数据服务器是指数据源文件所在的机器，数据服务器上是否分布有数据库结点无要求。

联系CDW PG团队人员获取TDX服务rpm包；

CDW PG_tdx-1.0-i.x86_64.rpm

基础依赖安装：

yum install apr-devel.x86_64  
yum install libevent-devel.x86_64

‍软件包安装：

rpm -ivh CDW PG_tdx-1.0-i.x86_64.rpm

‍配置并启动TDX服务

将TDX二进制目录添加到$PATH：修改～/.bashrc，添加PATH路径：

export PATH=/usr/local/install/CDW PG_tdx/bin:$PATH

并使其生效：

source ~/.bashrc

‍‍建立TDX数据目录并启动TDX服务

当启动TDX服务时，需要指定服务监听的端口和工作目录$tdx_prefix（该目录内的数据都可以被访问）。

mkdir $tdx_prefix/tdx_data

可以通过-l参数来指定TDX服务的日志输出。

tdx -d $tdx_prefix/tdx_data -p 8999 -l tdx_prefix/tdx_data/log 2>&1 &

如果不需要TDX的输出，则可以这样启动TDX服务：

nohup tdx -d $tdx_prefix/tdx_data -p 8999 >/dev/null 2>&1 &

‍部署多个TDX服务

部署多个TDX服务可以提高数据导入效率，可以在不同机器上运行多个TDX，也可以在一台机器上运行多个TDX，充分利用机器IO和网络带宽。

TDX数量不能超过DN数量，一个DN只连接一个TDX服务。

外部表创建

在数据库正常启动并创建exttable_fdw插件之后，我们便可以创建外部表（External Table）了。

参数说明

WRITABLE/READABLE（缺省） -

外表分为可读外表和可写外表；创建外表时指定WRITABLE，则外表为可写外表；未指定时默认为可读外表。可读外表支持数据并行导入，可写外表支持数据并行导出。

LOCATION -

指定外部数据的URL，包括外部数据读写协议（tdx/tdxs）。

FORMAT -

指定外部数据格式（csv或text），CDW PG会根据这些指定的格式，实现外部数据和数据库内部元组的转换。

[ [LOG ERRORS] SEGMENT REJECT LIMIT count [ROWS | PERCENT] ] -

LOG ERRORS 是否记录有关具有格式错误的信息；

SEGMENT REJECT LIMIT count [ROWS | PERCENT] 拒绝限制计数可以指定为行数（默认值）或总行数百分比（1-100），如果错误行的数量达到limit，整个外部表操作会被中止并且不会有行被处理。

其他参数说明如下

参数	说明
header	导入文件第一行为列名（导出暂不支持）
DELIMITER	自定义列分隔符（允许多字节）
EOL	自定义行分隔符
QUOTE	指定一个数据值被引用时使用的引用字符。默认是双引号。
ESCAPE	指定应该出现在一个匹配QUOTE值的数据字符之前的字符；OFF代表关闭转义功能，把反斜杆当做普通字符处理；
date_format	date类型数据在文件中数据格式
timestamp_format	timestamp类型数据在文件中数据格式
time_format	time类型数据在文件中数据格式
position	字段取值在数据文件行中的位置
fill_missing_fields	数据源文件中某行的最后一个（或以上）字段缺失时的处理方式
ignore_extra_data	若数据源文件比外表定义列数多，是否会忽略多出的列
compatible_illegal_chars	导入时遇到非法字符时的处理方式

外表的创建示例如下：

CREATE EXTERNAL TABLE EXT_TABLE
(name TEXT, DATE DATE, amount FLOAT)
LOCATION ('tdx:// 9.20.171.94: 8999 /file_name.csv') --外部数据源URL
FORMAT 'csv' (header); -- 数据格式为csv，并包含列的名称

数据的导入导出

数据的导入导出通过类似的句式来实现。

INSERT INTO TABLE1 SELECT * FROM TABLE2;

数据导入

INSERT INTO LOCAL_TABLE SELECT * FROM EXT_TABLE;
test=# EXPLAIN INSERT INTO LOCAL_TABLE SELECT * FROM EXT_TABLE;
                                          QUERY PLAN                                         
----------------------------------------------------------------------------------------------
 Remote Subquery Scan ON ALL (datanodes 1)  (cost=100.00..100.00 ROWS=0 width=0)
   ->  INSERT ON local_table  (cost=100.00..100.00 ROWS=0 width=0)
         ->  Remote Subquery Scan ON ALL (datanodes 1)  (cost=100.00..100.00 ROWS=0 width=44)
               Distribute results BY S: name
               ->  FOREIGN Scan ON ext_table  (cost=0.00..0.00 ROWS=0 width=44)


(5 ROWS)

数据导入SQL的执行计划如上所示。

从查询计划可以看出DN的工作包括：

扫描可读外表，从TDX获取部分数据块，将它转化为元组；
根据需要导入的本地表的分布键，对元组进行重分布，发往对应DN；
对应DN将元组插入到本地表中。

数据导出

数据导出需要创建可写（writable）外部表：

CREATE WRITABLE EXTERNAL TABLE EXT_TABLE_w
(name TEXT, DATE DATE, amount FLOAT)
LOCATION ('tdx:// 9.20.171.94: 8999 /file_name.csv') --外部数据源URL
FORMAT 'csv'; -- 数据格式为csv，并包含列的名称

数据导出需要执行如下SQL：

INSERT INTO EXT_TABLE_w SELECT * FROM LOCAL_TABLE;
test=# EXPLAIN INSERT INTO EXT_TABLE_w SELECT * FROM LOCAL_TABLE;
                                   QUERY PLAN                                   
---------------------------------------------------------------------------------
 Remote Subquery Scan ON ALL (datanodes 1)  (cost=0.00..18.40 ROWS=840 width=44)
   ->  INSERT ON ext_table_w  (cost=0.00..18.40 ROWS=840 width=44)
         ->  Seq Scan ON local_table  (cost=0.00..18.40 ROWS=840 width=44)
(3 ROWS)

从执行计划可以看出对本地表的扫描与外部表的写入（将数据发送给TDX执行写入文件操作）都被下推到了DN执行。

收尾工作

外部表的删除

DROP EXTERNAL TABLE EXT_TABLE_w;
DROP EXTERNAL TABLE EXT_TABLE;

‍TDX的停止

在文件服务器找到TDX进程直接kill即可。

ps aux | grep tdx
KILL -9 pid