前提
由于工作的原因，经常需要对海量数据进行处理，做的数据爬虫相关，动辄千万级别的数据，单表几十个G都是都是家常便饭。 主要开发语言是C#，数据库使用的是MySQL。
最常见的操作便是 select 读取数据，然后在C#中对数据进行处理， 完毕后再插入数据库中。 简而言之就 select -> process -> insert三个步骤。 对于数据量小的情况下（百万级别 or 几百兆)可能最多1个小时就处理完了。但是对于千万级数据可能几天，甚至更多。 那么问题来了，如何优化？？
（数据库的一览，有图有真相）
第一步 解决读取的问题
跟数据库打交道的方式有很多，我来列举下吧：
1. 【重武器-坦克大炮】使用重型ORM框架，比如EF,NHibernat 这样的框架。
2. 【轻武器-AK47】 使用Dapper,PetaPoco之类，单cs文件。灵活高效，使用简单。居家越货必备（我更喜欢PetaPoco :)）
3. 【冷兵器？匕首？】使用原生的Connection、Command。 然后写原生的SQL语句。。
分析：
【重武器】在我们这里肯定直接被PASS， 他们应该被用在大型项目中。
【轻武器】Dapper,PetaPoco 看过源码你会发现用到了反射，虽然使用IL和缓存技术，但是还是会影响读取效率，PASS
好吧那就只有使用匕首，原生SQL走起， 利用DataReader 进行高效读取，并且使用索引取数据（更快），而不是列名。
大概的代码如下：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
|
using (var conn = new MySqlConnection('Connection String...'))
{
conn.Open();
//此处设置读取的超时，不然在海量数据时很容易超时
var c = new MySqlCommand('set net_write_timeout=9999999; set net_read_timeout=9999999', conn);
c.ExecuteNonQuery();
MySqlCommand rcmd = new MySqlCommand();
rcmd.Connection = conn;
rcmd.CommandText = @'SELECT `f1`,`f2` FROM `table1`';
//设置命令的执行超时
rcmd.CommandTimeout = 99999999;
var myData = rcmd.ExecuteReader();
while (myData.Read())
{
var f1= myData.GetInt32(0);
var f2= myData.GetString(1);
//这里做数据处理....
}
}
|
哈哈，怎么样，代码非常原始，还是使用索引来取数据，很容易出错。 当然一切为了性能咱都忍了
第二步 数据处理
其实这一步，根据你的业务需要，代码肯定不一， 不过无非是一些字符串处理，类型转换的操作，这时候就是考验你的C#基础功底的时候了。 以及如何高效编写正则表达式。。。
具体代码也没法写啊 ，先看完CLR via C# 在来跟我讨论吧 ，O(∩_∩)O哈哈哈~ 跳过。。。。
第三部 数据插入
如何批量插入才最高效呢？ 有同学会说， 使用事务啊，BeginTransaction, 然后EndTransaction。 恩，这个的确可以提高插入效率。 但是还有更加高效的方法，那就是合并insert语句。
那么怎么合并呢？
|
1
|
insert into table (f1,f2) values(1,'sss'),values(2,'bbbb'),values(3,'cccc');
|
就是把values后面的全部用逗号，链接起来，然后一次性执行 。
当然不能一次性提交个100MB的SQL执行，MySQL服务器对每次执行命令的长度是有限制的。 通过 MySQL服务器端的max_allowed_packet 属性可以查看， 默认是1MB
咱们来看看伪代码吧
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
|
//使用StringBuilder高效拼接字符串
var sqlBuilder = new StringBuilder();
//添加insert 语句的头
string sqlHeader = 'insert into table1 (`f1`,`f2`) values';
sqlBuilder.Append(sqlHeader);
using (var conn = new MySqlConnection('Connection String...'))
{
conn.Open();
//此处设置读取的超时，不然在海量数据时很容易超时
var c = new MySqlCommand('set net_write_timeout=9999999; set net_read_timeout=9999999', conn);
c.ExecuteNonQuery();
MySqlCommand rcmd = new MySqlCommand();
rcmd.Connection = conn;
rcmd.CommandText = @'SELECT `f1`,`f2` FROM `table1`';
//设置命令的执行超时
rcmd.CommandTimeout = 99999999;
var myData = rcmd.ExecuteReader();
while (myData.Read())
{
var f1 = myData.GetInt32(0);
var f2 = myData.GetString(1);
//这里做数据处理....
sqlBuilder.AppendFormat('({0},'{1}'),', f1,AddSlash(f2));
if (sqlBuilder.Length >= 1024 * 1024)//当然这里的1MB length的字符串并不等于 1MB的Packet。。。我知道：）
{
insertCmd.Execute(sqlBuilder.Remove(sqlBuilder.Length-1,1).ToString())//移除逗号，然后执行
sqlBuilder.Clear();//清空
sqlBuilder.Append(sqlHeader);//在加上insert 头
}
}
}
|
好了，到这里 大概的优化后的高效查询、插入就完成了。
结语
总结下来，无非2个关键技术点，DataReader、SQL合并，都是一些老的技术啦。
其实，上面的代码只能称得上 高效 ， 但是， 却非常的不优雅。。。甚至难看。。。
那那么问题来了？ 如何进行重构呢？ 通过重构抽象出一个可用的类，而不必关心字符串拼接这些乱七八糟的东西，支持多线程合并写入，最大限度提高写入IO， 我们在下一篇文章中再来谈谈。