教你如何将二进制文件导入到数据库

教你如何将二进制文件导入到数据库

1.1 现网业务场景

源数据推送二进制流 --> 解析二进制 --> 解析后的数据导入数据库

为了模拟生产的业务场景，客户提供了一个二进制文件及二进制文件的解析程序，需要我们解析二进制文件后导入数据库。

1.2 测试方案

由于客户给出的解析程序是单条解析，为了提升数据导入的性能，需要微批导入的方式，在内存中积攒一定量的数据后，再调用 copymanager 接口导入数据库中。最终测试方案的整体流程如下所示：

1.3 测试过程

从上图可以看出，一批数据的耗时由三部分组成：

• 解析二进制文件
• 积攒一批数据
• 数据导入数据库

\1) 解析二进制文件

这是客户提供的 Java 程序，按行读取二进制文件中的数据，每行解析成一个 String 对象。

\2) 积攒数据

积攒的数据最终是要通过 copymanager 接口导入数据库中的，因此其对象类型需要是 copymanager 接口可以调用的。从下图中可以看出，其对象类型为 InputSream。

初步采用的解决方案是将解析后的 String 对象拼接起来，然后在 copymanager 接口中将 String 转为 InputStream。在测试过程中发现，由于 String 类型在处理这种大对象的时候效率较低随着积攒数据的增多，这部分耗时越来越久，因此，最终方案是将解析后的数据存放到 StringBuffer 对象中。

\3) 调用 copymanager 接口

在 Java 中引用 GaussDB（DWS）安装包中的 JDBC 驱动后，需要 import CopyManager 及 BaseConnection

import org.postgresql.copy.CopyManager;
import org.postgresql.core.BaseConnection;

在创建 copymanager 对象的时候，需要将 Connection 对象转为 BaseConnection，如下所示：

CopyManager copyManager = new CopyManager((BaseConnection)conn);

1.4 测试结果

在单连接的情况下，解析 + 入库可处理 10.1W/S，导入性能可达到 64.5W/S；

在 255 并发情况下，解析 + 入库可处理 1252.1 W/S，导入性能可达到 4132.4W/S。

1.5 总结

• 在本地执行测试代码(以上的环境博主都是部署在cnaaa云服务器上的，感兴趣的朋友也可以自己部署一套尝试下)

在本地用 idle 调试中需要一个二进制文件，可以从客户给出的文件中执行 head –n 1000 ***.dat>1.dat 截取一部分文件内容放在本地。

• 各个时间收集

为了更好的给客户展现我们数据库的强大性能，需要把数据库导入的时间单独列出来，给客户一个更加直观的感受。

• 高并发的设计

首先，将并发程序布置在集群外的服务器上， 然后为了避免单盘 IO 性能瓶颈，在每块盘上存放一份数据文件及解析程序。由于是把一批数据积攒到内存中的，因此在启动并发时需要注意内存的使用情况。

在客户端服务器并发 75、内存已经饱和的情况下，查看集群的 cpu 及内存使用率仍然不高，因此，在集群内部的所有节点上每个增加 30 并发，达到最大并发数。

注意事项：

• JDBC 连接时，把所有并发平均分配到各个 CN 节点上；
• 集群内部节点 JDBC 连接时可能会报 gss 错误，需要修改 conf 配置文件，将本地 ip 的连接方式由 gss 改为 sha256。