Postgresql快速写入/读取大量数据（.net）

时间：2021-06-17 23:29:22

环境及测试

使用.net驱动npgsql连接post数据库。配置：win10 x64, i5-4590, 16G DDR3, SSD 850EVO.

postgresql 9.6.3，数据库与数据都安装在SSD上，默认配置，无扩展。

CREATE TABLE public.mesh

(

  x integer NOT NULL,

  y integer NOT NULL,

  z integer,

  CONSTRAINT prim PRIMARY KEY (x, y)

)

1. 导入

使用数据备份，csv格式导入，文件位于机械硬盘上，480MB，数据量2500w+。

  • 使用COPY

copy mesh from 'd:/user.csv' csv

运行时间107s

  • 使用insert

单连接，c# release any cpu 非调试模式。

class Program

{

    static void Main(string[] args)

    {

        var list = GetData("D:\\user.csv");

        TimeCalc.LogStartTime();

        using (var sm = new SqlManipulation(@"Strings", SqlType.PostgresQL))

        {

            sm.Init();

            foreach (var n in list)

            {

                sm.ExcuteNonQuery($"insert into mesh(x,y,z) values({n.x},{n.y},{n.z})");

            }

        }

        TimeCalc.ShowTotalDuration();

        Console.ReadKey();

    }

    static List<(int x, int y, int z)> GetData(string filepath)

    {

        List<ValueTuple<int, int, int>> list = new List<(int, int, int)>();

        foreach (var n in File.ReadLines(filepath))

        {

            string[] x = n.Split(',');

            list.Add((Convert.ToInt32(x[0]), Convert.ToInt32(x[1]), Convert.ToInt32(x[2])));

        }

        return list;

    }

}

Postgresql CPU占用率很低，但是跑了一年，程序依然不能结束，没有耐性了...，这么插入不行。

  • multiline insert

使用multiline插入，一条语句插入约100条数据。

var bag = GetData("D:\\user.csv");

//使用时，直接执行stringbuilder的tostring方法。

List<StringBuilder> listbuilder = new List<StringBuilder>();

StringBuilder sb = new StringBuilder();

for (int i = 0; i < bag.Count; i++)

{

    if (i % 100 == 0)

    {

        sb = new StringBuilder();

        listbuilder.Add(sb);

        sb.Append("insert into mesh(x,y,z) values");

        sb.Append($"({bag[i].x}, {bag[i].y}, {bag[i].z})");

    }

    else

        sb.Append($",({bag[i].x}, {bag[i].y}, {bag[i].z})");

}

Postgresql CPU占用率差不多27%，磁盘写入大约45MB/S，感觉就是在干活，最后时间217.36s。

改为1000一行的话，CPU占用率提高，但是磁盘写入平均来看有所降低，最后时间160.58s.

  • prepare语法

prepare语法可以让postgresql提前规划sql，优化性能。

使用单行插入 CPU占用率不到25%，磁盘写入63MB/S左右，但是，使用单行插入的方式，效率没有改观，时间太长还是等不来结果。

使用多行插入 CPU占用率30%，磁盘写入50MB/S，最后结果163.02，最后的时候出了个异常，就是最后一组数据长度不满足条件，无伤大雅。

static void Main(string[] args)

{

    var bag = GetData("D:\\user.csv");

    List<StringBuilder> listbuilder = new List<StringBuilder>();

    StringBuilder sb = new StringBuilder();

    for (int i = 0; i < bag.Count; i++)

    {

        if (i % 1000 == 0)

        {

            sb = new StringBuilder();

            listbuilder.Add(sb);

            //sb.Append("insert into mesh(x,y,z) values");

            sb.Append($"{bag[i].x}, {bag[i].y}, {bag[i].z}");

        }

        else

            sb.Append($",{bag[i].x}, {bag[i].y}, {bag[i].z}");

    }

    StringBuilder sbp = new StringBuilder();

    sbp.Append("PREPARE insertplan (");

    for (int i = 0; i < 1000; i++)

    {

        sbp.Append("int,int,int,");

    }

    sbp.Remove(sbp.Length - 1, 1);

    sbp.Append(") AS INSERT INTO mesh(x, y, z) values");

    for (int i = 0; i < 1000; i++)

    {

        sbp.Append($"(${i*3 + 1},${i* 3 + 2},${i*3+ 3}),");

    }

    sbp.Remove(sbp.Length - 1, 1);

    TimeCalc.LogStartTime();

    using (var sm = new SqlManipulation(@"string", SqlType.PostgresQL))

    {

        sm.Init();

        sm.ExcuteNonQuery(sbp.ToString());

        foreach (var n in listbuilder)

        {

            sm.ExcuteNonQuery($"EXECUTE insertplan({n.ToString()})");

        }

    }

    TimeCalc.ShowTotalDuration();

    Console.ReadKey();

}

  • 使用Transaction

在前面的基础上，使用事务改造。每条语句插入1000条数据，每1000条作为一个事务，CPU 30%，磁盘34MB/S，耗时170.16s。

改成100条一个事务，耗时167.78s。

  • 使用多线程

还在前面的基础上，使用多线程，每个线程建立一个连接，一个连接处理100条sql语句，每条sql语句插入1000条数据，以此种方式进行导入。注意，连接字符串可以将maxpoolsize设置大一些，我机器上实测，不设置会报连接超时错误。

CPU占用率上到80%， 磁盘这里需要注意，由于生成了非常多个Postgresql server进程，不好统计，累积算上应该有小100MB/S，最终时间，98.18s。

使用TPL，由于Parallel.ForEach返回的结果没有检查，可能导致时间不是很准确（偏小）。

var lists = new List<List<string>>();

var listt = new List<string>();

for (int i = 0; i < listbuilder.Count; i++)

{

    if (i % 1000 == 0)

    {

        listt = new List<string>();

        lists.Add(listt);

    }

    listt.Add(listbuilder[i].ToString());

}

TimeCalc.LogStartTime();

Parallel.ForEach(lists, (x) =>

{

    using (var sm = new SqlManipulation(@";string;MaxPoolSize=1000;", SqlType.PostgresQL))

    {

        sm.Init();

        foreach (var n in x)

        {

            sm.ExcuteNonQuery(n);

        }

    }

});

TimeCalc.ShowTotalDuration();
写入方式 耗时（1000条/行）
COPY 107s
insert N/A
多行insert 160.58s
prepare多行insert 163.02s
事务多行insert 170.16s
多连接多行insert 98.18s

2. 写入更新

数据实时更新，数量可能继续增长，使用简单的insert或者update是不行的，操作使用postgresql 9.5以后支持的新语法。

insert into mesh on conflict (x,y) do update set z = excluded.z

吐槽postgresql这么晚才支持on conflict，mysql早有了...

在表中既有数据2500w+的前提下，重复往数据库里面写这些数据。这里只做多行插入更新测试，其他的结果应该差不多。

普通多行插入，耗时272.15s。

多线程插入的情况，耗时362.26s，CPU占用率一度到了100%。猜测多连接的情况下，更新互锁导致性能下降。

3. 读取

  • Select方法

标准读取还是用select方法，ADO.NET直接读取。

使用adapter方式，耗时135.39s；使用dbreader方式，耗时71.62s。

  • Copy方法

postgresql的copy方法提供stdout binary方式，可以指定一条查询进行输出，耗时53.20s。

public List<(int x, int y, int z)> BulkIQueryNpg()

{

    List<(int, int, int)> dict = new List<(int, int, int)>();

    using (var reader = ((NpgsqlConnection)_conn).BeginBinaryExport("COPY (select x,y,z from mesh) TO STDOUT (FORMAT BINARY)"))

    {

        while (reader.StartRow() != -1)

        {

            var x = reader.Read<int>(NpgsqlDbType.Integer);

            var y = reader.Read<int>(NpgsqlDbType.Integer);

            var z = reader.Read<int>(NpgsqlDbType.Integer);

            dict.Add((x, y, z));

        }

    }

    return dict;

}

结论

总结测试结果，对于较多数据的情况下，可以得出以下结论：

  • 向空数据表导入或者没有重复数据表的导入，优先使用COPY语句（为什么有这个前提详见P.S.）；

  • 使用一条语句插入多条数据的方式能够大幅度改善插入性能，可以实验确定最优条数；

  • 使用transaction或者prepare插入，在本场景中优化效果不明显；

  • 使用多连接/多线程操作，速度上有优势，但是把握不好容易造成资源占用率过高，连接数太大也容易影响其他应用；

  • 写入更新是postgresql新特性，使用会造成一定的性能消耗（相对直接插入）；

  • 读取数据时，使用COPY语句能够获得较好的性能；

  • ado.net dbreader对象由于不需要fill的过程，读取速度也较快（虽然赶不上COPY)，也可优先考虑。

P.S.

  • 为什么不用mysql

没有最好的，只有最合适的，讲道理我也是挺喜欢用mysql的。使用postgresql的原因主要在于：

postgresql导入导出的sql指令“copy”直接支持Binary模式到stdin和stdout，如果程序想直接集成，那么用这个是比较方便的；相比较，mysql的sql语法（load data infile）并不支持到stdin或者stdout，导出可以通过mysqldump.exe实现，导入暂时没什么特别好的办法（mysqlimport或许可以）。

  • 相较于mysql缺点

postgresql使用copy导入的时候，如果目标表已经有数据，那么在有主键约束的表遇到错误时，COPY自动终止，而且可能导致不完全插入的情况，换言之，是不支持导入的过程进行update操作；mysql的load语法可以显式指定出错之后的动作（IGNORE/REPLACE），不会打断导入过程。

  • 其他

如果需要使用mysql从程序导入数据，可以考虑先通过程序导出到文件，然后借助文件进行导入，据说效率也要比insert高出不少。

相关文章