Postgresql快速写入/读取大量数据.net

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)>();
        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,z) values");
        sb.Append($"({bag[i].x},{bag[i].y},{bag[i].z})");
    }
    else
        sb.Append($",({bag[i].x},{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,z) values");
            sb.Append($"{bag[i].x},{bag[i].z}");
        }
        else
            sb.Append($",{bag[i].x},{bag[i].z}");
    }
    StringBuilder sbp = new StringBuilder();
    sbp.Append("PREPARE insertplan (");
    for (int i = 0; i < 1000; i++)
    {
        sbp.Append("int,");
    }
    sbp.Remove(sbp.Length - 1,1);
    sbp.Append(") AS INSERT INTO mesh(x,z) values");
    for (int i = 0; i < 1000; i++)
    {
        sbp.Append($"(${i*3 + 1},${i* 3 + 2},${i*3+ 3}),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 z)> BulkIQueryNpg()
{
    List<(int,int)> dict = new List<(int,int)>();
    using (var reader = ((NpgsqlConnection)_conn).BeginBinaryExport("COPY (select x,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,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

这篇文章主要介绍“hive和mysql的区别是什么”,在日常操作中...
这篇“MySQL数据库如何改名”文章的知识点大部分人都不太理解...
这篇文章主要介绍“mysql版本查询命令是什么”的相关知识,小...
本篇内容介绍了“mysql怎么修改字段的内容”的有关知识,在实...
这篇文章主要讲解了“mysql怎么删除unique约束”,文中的讲解...
今天小编给大家分享一下mysql怎么查询不为空的字段的相关知识...