net快速寫入/讀取大量資料Postgresql

標籤：duration   pool   cpu佔用   讀取   簡單的   nec   stat   dump   lin   

Postgresql快速寫入/讀取大量資料http://www.cnblogs.com/podolski/p/7152144.html

環境及測試
使用.net驅動npgsql串連post資料庫。配置：win10 x64, i5-4590, 16G DDR3, SSD 850EVO.

postgresql 9.6.3，資料庫與資料都安裝在SSD上，預設配置，無擴充。

CREATE TABLE public.mesh
(
x integer NOT NULL,
y integer NOT NULL,
z integer,
CONSTRAINT prim PRIMARY KEY (x, y)
)

1. 匯入
   使用資料備份，csv格式匯入，檔案位於機械硬碟上，480MB，資料量2500w+。

使用COPY
copy mesh from ‘d:/user.csv‘ csv
已耗用時間107s

使用insert
單串連，c# release any cpu 非偵錯模式。

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佔用率很低，但是跑了一年，程式依然不能結束，沒有耐性了...，這麼插入不行。

multiline insert
使用multiline插入，一條語句插入約100條資料。

var bag = GetData("D:\user.csv");
//使用時，直接執行stringbuilder的tostring方法。
List listbuilder = new List();
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佔用率差不多27%，磁碟寫入大約45MB/S，感覺就是在幹活，最後時間217.36s。
改為1000一行的話，CPU佔用率提高，但是磁碟寫入平均來看有所降低，最後時間160.58s.

prepare文法
prepare文法可以讓postgresql提前規劃sql，最佳化效能。

使用單行插入 CPU佔用率不到25%，磁碟寫入63MB/S左右，但是，使用單行插入的方式，效率沒有改觀，時間太長還是等不來結果。

使用多行插入 CPU佔用率30%，磁碟寫入50MB/S，最後結果163.02，最後的時候出了個異常，就是最後一組資料長度不滿足條件，無傷大雅。

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
在前面的基礎上，使用事務改造。每條語句插入1000條資料，每1000條作為一個事務，CPU 30%，磁碟34MB/S，耗時170.16s。
改成100條一個事務，耗時167.78s。

使用多線程
還在前面的基礎上，使用多線程，每個線程建立一個串連，一個串連處理100條sql語句，每條sql語句插入1000條資料，以此種方式進行匯入。注意，連接字串可以將maxpoolsize設定大一些，我機器上實測，不設定會報連線逾時錯誤。

CPU佔用率上到80%， 磁碟這裡需要注意，由於產生了非常多個Postgresql server進程，不好統計，累積算上應該有小100MB/S，最終時間，98.18s。

使用TPL，由於Parallel.ForEach返回的結果沒有檢查，可能導致時間不是很準確（偏小）。

var lists = new List>();
var listt = new List();
for (int i = 0; i < listbuilder.Count; i++)
{
if (i % 1000 == 0)
{
listt = new List();
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();
寫入方式 耗時（1000條/行）
COPY 107s
insert N/A
多行insert 160.58s
prepare多行insert 163.02s
事務多行insert 170.16s
多串連多行insert 98.18s

1. 寫入更新
   資料即時更新，數量可能繼續增長，使用簡單的insert或者update是不行的，操作使用postgresql 9.5以後支援的新文法。

insert into mesh on conflict (x,y) do update set z = excluded.z
吐槽postgresql這麼晚才支援on conflict，mysql早有了...

在表中既有資料2500w+的前提下，重複往資料庫裡面寫這些資料。這裡只做多行插入更新測試，其他的結果應該差不多。

普通多行插入，耗時272.15s。
多線程插入的情況，耗時362.26s，CPU佔用率一度到了100%。猜測多串連的情況下，更新互鎖導致效能下降。

1. 讀取
   Select方法
   標準讀取還是用select方法，ADO.NET直接讀取。

使用adapter方式，耗時135.39s；使用dbreader方式，耗時71.62s。

Copy方法
postgresql的copy方法提供stdout binary方式，可以指定一條查詢進行輸出，耗時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;
}
結論
總結測試結果，對於較多資料的情況下，可以得出以下結論：

向空資料表匯入或者沒有重複資料表的匯入，優先使用COPY語句（為什麼有這個前提詳見P.S.）；
使用一條語句插入多條資料的方式能夠大幅度改善插入效能，可以實驗確定最優條數；
使用transaction或者prepare插入，在本情境中最佳化效果不明顯；
使用多串連/多線程操作，速度上有優勢，但是把握不好容易造成資源佔用率過高，串連數太大也容易影響其他應用；
寫入更新是postgresql新特性，使用會造成一定的效能消耗（相對直接插入）；
讀取資料時，使用COPY語句能夠獲得較好的效能；
ado.net dbreader對象由於不需要fill的過程，讀取速度也較快（雖然趕不上COPY)，也可優先考慮。
P.S.
為什麼不用mysql
沒有最好的，只有最合適的，講道理我也是挺喜歡用mysql的。使用postgresql的原因主要在於：

postgresql匯入匯出的sql指令“copy”直接支援Binary模式到stdin和stdout，如果程式想直接整合，那麼用這個是比較方便的；相比較，mysql的sql文法（load data infile）並不支援到stdin或者stdout，匯出可以通過mysqldump.exe實現，匯入暫時沒什麼特別好的辦法（mysqlimport或許可以）。

相較於mysql缺點
postgresql使用copy匯入的時候，如果目標表已經有資料，那麼在有主鍵約束的表遇到錯誤時，COPY自動終止，而且可能導致不完全插入的情況，換言之，是不支援匯入的過程進行update操作；mysql的load文法可以顯式指定出錯之後的動作（IGNORE/REPLACE），不會打斷匯入處理程序。

其他
如果需要使用mysql從程式匯入資料，可以考慮先通過程式匯出到檔案，然後藉助檔案進行匯入，據說效率也要比insert高出不少。

net快速寫入/讀取大量資料Postgresql