最近因为一些项目需要大量插入数据,研究了下asp.net实现Postgresql快速写入/读取大量数据,所以留个笔记
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。
1
2
3
4
5
6
7
|
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
1
|
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。
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
|
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。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
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。
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
33
34
35
36
37
38
39
40
41
42
43
44
45
|
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)。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
|
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。
1
|
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
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
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。
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持服务器之家。
原文链接:http://www.cnblogs.com/podolski/p/7152144.html