Postgresql快速寫入/讀取大量數據（.net）

環境及測試

使用.net驅動npgsql連接post數據庫。配置：win10 x64, i5-4590, 16G DDR3, SSD 850EVO.

postgresql 9.6.3，數據庫與數據都安裝在SSD上，默認配置，無擴展。

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

1. 導入

使用數據備份，csv格式導入，文件位於機械硬盤上，480MB，數據量2500w+。

• 使用COPY

copy mesh from 'd:/user.csv' csv

運行時間107s

• 使用insert

單連接，c# release any cpu 非調試模式。

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，程序依然不能結束，沒有耐性了...，這么插入不行。

• multiline insert

使用multiline插入，一條語句插入約100條數據。

var bag = GetData("D:\\user.csv");
//使用時，直接執行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%，磁盤寫入大約45MB/S，感覺就是在干活，最后時間217.36s。
改為1000一行的話，CPU占用率提高，但是磁盤寫入平均來看有所降低，最后時間160.58s.

• prepare語法

prepare語法可以讓postgresql提前規划sql，優化性能。

使用單行插入 CPU占用率不到25%，磁盤寫入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占用率30%，磁盤寫入50MB/S，最后結果163.02，最后的時候出了個異常，就是最后一組數據長度不滿足條件，無傷大雅。

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,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

在前面的基礎上，使用事務改造。每條語句插入1000條數據，每1000條作為一個事務，CPU 30%，磁盤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，每個線程建立一個連接，一個連接處理100條sql語句，每條sql語句插入1000條數據，以此種方式進行導入。注意，連接字符串可以將maxpoolsize設置大一些，我機器上實測，不設置會報連接超時錯誤。

CPU占用率上到80%， 磁盤這里需要注意，由於生成了非常多個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准確（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();

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
多連接多行insert	98.18s

2. 寫入更新

數據實時更新，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以后支持的新語法。

insert into mesh on conflict (x,y) do update set z = excluded.z

吐槽postgresql這么晚才支持on conflict，mysql早有了...

在表中既有數據2500w+的前提下，重復往數據庫里面寫這些數據。這里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占用率一度到了100%。猜測多連接的情況下，更新互鎖導致性能下降。

3. 讀取

• Select方法

標准讀取還是用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<int>(NpgsqlDbType.Integer);
            var y = reader.Read<int>(NpgsqlDbType.Integer);
            var z = reader.Read<int>(NpgsqlDbType.Integer);
            dict.Add((x, y, z));
        }
    }
    return dict;
}

結論

總結測試結果，對於較多數據的情況下，可以得出以下結論：

• 向空數據表導入或者沒有重復數據表的導入，優先使用COPY語句（為什么有這個前提詳見P.S.）；

• 使用一條語句插入多條數據的方式能夠大幅度改善插入性能，可以實驗確定最優條數；

• 使用transaction或者prepare插入，在本場景中優化效果不明顯；

• 使用多連接/多線程操作，速度上有優勢，但是把握不好容易造成資源占用率過高，連接數太大也容易影響其他應用；

• 寫入更新是postgresql新特性，使用會造成一定的性能消耗（相對直接插入）；

• 讀取數據時，使用COPY語句能夠獲得較好的性能；

• 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.

• 為什么不用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導入導出的sql指令“copy”直接支持Binary模式到stdin和stdout，如果程序想直接集成，那么用這個是比較方便的；相比較，mysql的sql語法（load data infile）並不支持到stdin或者stdout，導出可以通過mysqldump.exe實現，導入暫時沒什么特別好的辦法（mysqlimport或許可以）。

• 相較於mysql缺點

postgresql使用copy導入的時候，如果目標表已經有數據，那么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，是不支持導入的過程進行update操作；mysql的load語法可以顯式指定出錯之后的動作（IGNORE/REPLACE），不會打斷導入過程。

• 其他

如果需要使用mysql從程序導入數據，可以考慮先通過程序導出到文件，然后借助文件進行導入，據說效率也要比insert高出不少。