MySql 快速插入千万级大数据

版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
本文链接:https://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 {

    /**
     * Java多线程读大文件并入库
     * 
     * @param args
     */
    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(); // 去掉CSV Header
	} 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) {
	// for (String str : list) {
	// System.out.println(str);
	// }
	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)。


展开阅读全文

没有更多推荐了,返回首页