快速導入上億行數據文件到數據庫表(使用 JDBC 的 executeBatch)
最近在 cnblogs 網站上，看其他人博客，談及一個包含很多行(一億)的大文件，一周之內，將其數據導入到數據庫表。
我談到可以使用“使用數據庫事務，分批 commit 到數據庫，每批次有 5000行”的方法，提高數據導入速度，兩天應該就可以了。
好像博主及下方評論者，不太理解，這個“分批 commit ”。
特寫此博客，介紹一下使用 JDBC 的 executeBatch 做分批 commit，以提高大批量數據的導入速度。
JDBC 有個 PreparedStatement 類，包含 addBatch, executeBatch 等函數(或稱之為方法，我不區分這兩個概念)。配合 Connection 的setAutoCommit(false), commit()，即可實現“分批 commit ”。
當然，首先要逐行讀數據文件。這里的數據文件，一般是 .txt 或 .csv 之類的純文本文件，以逗號作為列分割，有的以 tab 做分割字符，也有的使用固定列寬(比如1-4字符為第一列，5-12為第二列...)。
我們使用 BufferedReader 來實現逐行讀取。這是一個常用的 Java 類，可很好地用于此處文件讀取。
為了方便起見，軟件將從 Java 命令行讀取 JVM 參數，舉例如下:
-Ddata_file=C:\svn_projects\sgm_small_projects\batch_data_import\data\sample_data_1w.csv -Dfrom_line=1 -Dto_line= -Dbatch_commit_size=5000 -Duse_multi_thread=false
參數解釋如下:
data_file 為數據文件；
from_line 用于指定數據文件中的起始行號，最小值為1，一方面可用于跳過標題行，另一方面，可用于長時間運行過程中，如有中斷，可重新從某行開始;
to_line 用于指定數據文件中的結束行號，可空;
batch_commit_size 用于指定每批次的數據行數，可調整，以便測試哪種參數，導入數據最快，此處配置為5000;
use_multi_thread 用于指定程序是否使用多線程，此參數暫無用處。
大批量數據文件導入，一般的策略為：
a. 正確的數據，盡量全部導入；
b. 錯誤的數據，跳過、記錄報錯數據行信息，繼續運行；
c. 全部導入完成后，分析錯誤的數據，特殊處理。
以下介紹的代碼，可以很好地實現這幾個策略(報錯到批次、行號范圍)。
運行時有類似如下的日志信息:
15:49:49.201 [main] INFO c.z.b.srv.DatabaseSrv - saveBatchDataInTrasaction begin,iBatchNum:1
15:49:51.416 [main] INFO c.z.b.srv.DatabaseSrv - 批量 commit,批次號:1, 原數據文件行[1-5000], 提交成功.
15:49:51.422 [main] INFO c.z.b.srv.DatabaseSrv - saveBatchDataInTrasaction begin,iBatchNum:2
15:49:52.306 [main] INFO c.z.b.srv.DatabaseSrv - 批量 commit,批次號:2, 原數據文件行[5001-10000], 提交成功.
15:49:52.329 [main] INFO c.z.b.srv.DatabaseSrv - saveBatchDataInTrasaction begin,iBatchNum:3
15:49:53.253 [main] INFO c.z.b.srv.DatabaseSrv - 批量 commit,批次號:3, 原數據文件行[10001-15000], 提交成功.
15:49:53.277 [main] INFO c.z.b.srv.DatabaseSrv - saveBatchDataInTrasaction begin,iBatchNum:4
15:49:54.188 [main] INFO c.z.b.srv.DatabaseSrv - 批量 commit,批次號:4, 原數據文件行[15001-20000], 提交成功.
如果 5001-10000 行處理失敗，則下次運行時，更改啟動參數 from_line=5001, to_line=10000, batch_commit_size 調小為 100，再次運行。
將出錯行號，逐步定位到更小的批次里。
主控程序 BatchDataImportMain ，功能為讀取以上參數，然后使用 reader 讀數據文件，最后調用 dataSrv.saveData ，代碼如下:
public class BatchDataImportMain { public static void main(String[] args) { Logger log = LoggerFactory.getLogger(BatchDataImportMain.class); try { log.info("從命令行參數中獲取數據..."); String strDataFile = System.getProperty("data_file"); // 數據文件的第一行為1，不是0，方便用戶理解 String strFromLine = System.getProperty("from_line", "1"); String strToLine = System.getProperty("to_line"); MutableObject<Long> iFromLine = null; if (StringUtils.isNotEmpty(strFromLine)) { iFromLine = new MutableObject<Long>(); iFromLine.setValue(Long.parseLong(strFromLine)); } MutableObject<Long> iToLine = null; if (StringUtils.isNotEmpty(strToLine)) { iToLine = new MutableObject<Long>(); iToLine.setValue(Long.parseLong(strToLine)); } String strBatchCommitSize = System.getProperty("batch_commit_size"); int iBatchCommitSize = 5000; if (StringUtils.isNotEmpty(strBatchCommitSize)) { iBatchCommitSize = Integer.parseInt(strBatchCommitSize); } String strUseMultiThread = System.getProperty("use_multi_thread"); boolean bUseMultiThread = false; if (StringUtils.equalsIgnoreCase(strUseMultiThread, "true")) { bUseMultiThread = true; } File fDataFile = new File(strDataFile); log.info("begin save data from file:" + fDataFile.getAbsolutePath()); DataImportSrvBase dataSrv = null; if (bUseMultiThread) { dataSrv = new DataImportSrvUseThread(); } else { dataSrv = new DataImportSrvNotUseThread(); } try (FileInputStream fis = new FileInputStream(fDataFile)) { String charsetName = "gbk"; try (InputStreamReader isr = new InputStreamReader(fis, charsetName)) { try (BufferedReader br = new BufferedReader(isr)) { dataSrv.saveData(br, iFromLine, iToLine, iBatchCommitSize, fDataFile.getName()); } } } log.info("ends save data from file:" + fDataFile.getAbsolutePath()); } catch (Exception err) { log.error(err.getMessage(), err); } } }
以上 dataSrv 為不采用多線程的 DataImportSrvNotUseThread，此類的功能，是將 reader 中的數據，逐行取出，每5000行為一批次，調用數據保存代碼。
內存占用最多為5000行數據，不會導致內存溢出。
分批時，記錄當前批次的數據中，在原始數據文件中的起始行號、結束行號、當前第幾批。
DataImportSrvNotUseThread 代碼如下：
public class DataImportSrvNotUseThread extends DataImportSrvBase { @Override public void saveData(BufferedReader br, MutableObject<Long> iFromLine, MutableObject<Long> iToLine, int iBatchCommitSize, String fileName) throws IOException, SQLException { String strLine = null; // DataLineParseSrv dataSrv = new DataLineParseSrv(); LinkedList<LineString> batchLineDataBufferList = new LinkedList<LineString>(); long iBatchNum = 0; long iLineNumOfFile = 0; while ((strLine = br.readLine()) != null) { iLineNumOfFile++; // 忽略不在指定行號范圍內的數據行 if (iFromLine != null && iFromLine.getValue() > iLineNumOfFile) { continue; } if (iToLine != null && iToLine.getValue() < iLineNumOfFile) { break; } // 忽略空行 if (StringUtils.isEmpty(strLine)) { continue; } // LineData data = dataSrv.parse(line); LineString lineData = new LineString(); lineData.strLine = strLine; lineData.lineNumAtFile = iLineNumOfFile; batchLineDataBufferList.add(lineData); if (batchLineDataBufferList.size() >= iBatchCommitSize) { iBatchNum++; long iLineNumBeginOfBatch = batchLineDataBufferList.getFirst().lineNumAtFile; long iLineNumEndOfBatch = lineData.lineNumAtFile; new DatabaseSrv().saveBatchDataInTrasaction(iBatchNum, iLineNumBeginOfBatch, iLineNumEndOfBatch, batchLineDataBufferList); batchLineDataBufferList = new LinkedList<LineString>(); } } if (batchLineDataBufferList.size() > 0) { iBatchNum++; long iLineNumBeginOfBatch = batchLineDataBufferList.getFirst().lineNumAtFile; long iLineNumEndOfBatch = batchLineDataBufferList.getLast().lineNumAtFile; new DatabaseSrv().saveBatchDataInTrasaction(iBatchNum, iLineNumBeginOfBatch, iLineNumEndOfBatch, batchLineDataBufferList); batchLineDataBufferList = new LinkedList<LineString>(); } } }
最后，DatabaseSrv 類的 saveBatchDataInTrasaction 函數，保存一批數據，使用一個數據庫連接、一個 transaction. 此函數內部，使用 PreparedStatement 的executeBatch。
此處使用了數據庫連接池。
有的數據庫，初次建立連接，用時很長，而使用數據庫連接池，相比未使用數據庫連接池，可大幅提高性能。
DatabaseSrv 代碼如下:
public class DatabaseSrv { static BasicDataSource g_ds = null; public void saveBatchDataInTrasaction(long iBatchNum, long iLineNumBeginOfBatch, long iLineNumEndOfBatch, List<LineString> batchLineDataBufferList) throws SQLException { Logger log = LoggerFactory.getLogger(DatabaseSrv.class); log.info("saveBatchDataInTrasaction begin,iBatchNum:" + iBatchNum); boolean bCommitSuccess = false; try { DataLineParseSrv dataSrv = new DataLineParseSrv(); BasicDataSource ds = getDataSource(); try (Connection con = ds.getConnection()) { con.setAutoCommit(false); con.setTransactionIsolation(Connection.TRANSACTION_READ_COMMITTED); String sql = "insert into tt_test(col_a,col_b,col_c,col_d,col_e,col_f,col_g,col_h,col_i,col_j,col_k,col_l) values(?,?,?,?,?,?,?,?,?,?,?,?);"; try (PreparedStatement ps = con.prepareStatement(sql)) { for (LineString d : batchLineDataBufferList) { LineParsedData parsedData = dataSrv.parse(d); long iLineNum = d.lineNumAtFile;// 也可以在表中，先增加一列，保存數據行號。以便檢查哪些行成功導入了。 ps.setString(1, parsedData.a); // 1 is the first ? (1 based counting) ps.setString(2, parsedData.b); ps.setString(3, parsedData.c); ps.setString(4, parsedData.d); ps.setString(5, parsedData.e); ps.setString(6, parsedData.f); ps.setString(7, parsedData.g); ps.setString(8, parsedData.h); ps.setString(9, parsedData.i); ps.setString(10, parsedData.j); ps.setString(11, parsedData.k); ps.setString(12, parsedData.l); ps.addBatch(); } ps.executeBatch(); con.commit(); // 標記為成功 bCommitSuccess = true; // statement.clearBatch(); //If you want to add more, } catch (Exception err) { log.error(err.getMessage(), err); con.rollback(); } } } catch (Exception err) { log.error(err.getMessage(), err); } if (bCommitSuccess) { log.info("批量 commit,批次號:" + iBatchNum + ", 原數據文件行[" + iLineNumBeginOfBatch + "-" + iLineNumEndOfBatch + "], 提交成功."); } else { log.info("批量 commit,批次號:" + iBatchNum + ", 原數據文件行[" + iLineNumBeginOfBatch + "-" + iLineNumEndOfBatch + "], 提交失敗."); } } public static BasicDataSource getDataSource() { if (g_ds != null) { return g_ds; } else { BasicDataSource ds = new BasicDataSource(); ds.setDriverClassName("org.postgresql.Driver"); ds.setTestOnBorrow(true); ds.setUrl("jdbc:postgresql://192.168.1.50:5432/zg_prt_uld"); ds.setValidationQuery("select 1 as a;"); ds.setUsername("zg_prt_uld_db_user"); ds.setPassword("xxxx"); ds.setInitialSize(1); ds.setMaxActive(30); g_ds = ds; return g_ds; } } }
還有一些重要性較低的代碼，此處未貼出。如需要，也可提供。
經初步測試，以上代碼，未使用多線程，導入 2萬行數據，運行三次，用時分別為 5.696秒, 4.968 秒, 5.04 秒。
按第一次運行的速度(3511行/秒)，導入 2 億行數據，順利的話，預估完成導入所用時間為 15.8小時。
即使加上異常數據分析、特殊處理的操作，也能很好完成該博主的工作任務(1周之內完成數據導入)。
當然，此處代碼，仍有性能優化的余地。
以上性能測試，使用的是 Postgres 數據庫，本地無線局域網連接。
===============歡迎轉載，轉載請注明出處:http://www.rzrgm.cn/jacklondon/
浙公網安備 33010602011771號