net快速写入/读取大量数据Postgresql

Postgresql快速写入/读取大量数据

http://www.cnblogs.com/podolski/p/7152144.html

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)

)

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。

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 listbuilder = new List();

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($"(${i3 + 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）。

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。

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(NpgsqlDbType.Integer);

var y = reader.Read(NpgsqlDbType.Integer);

var z = reader.Read(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。