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，可很好地用於此處文件讀取。

 

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 用於指定數據文件中的起始行號，最小值為1，一方面可用於跳過標題行，另一方面，可用於長時間運行過程中，如有中斷，可重新從某行開始;

to_line 用於指定數據文件中的結束行號，可空;

batch_commit_size 用於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 用於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:https://www.cnblogs.com/jacklondon/

轉載請注明出處: http://www.cnblogs.com/jacklondon ; 歡迎訪問 http://www.zheguisoft.com/ 並提建議。