如何向数据库集群快速导入千万条数据-原创手记-慕课网

一、数据导入的方式

向MySQL数据库导入数据，通常有两种办法，第一种是利用SOURCE命令，第二种是使用LOAD DATA命令。

SOURCE命令是通过执行SQL文件中的INSERT语句来实现数据的导入。正常情况下，如果我们向单节点的MySQL，用INSERT语句批量写入数据，在普通的PC机上，写入10万条数据，大概需要7~8分钟时间。按照这个速度推算，写入1千万条数据大概需要10个小时以上。如果在集群条件下，这个速度会更慢。

MySQL的集群分为PXC和Replication集群。其中Replication集群是异步传输的，它只保证事物在当前节点成功写入，数据是否能同步到其他节点，Replication集群并不能给我们打包票。所以Replication集群经常出现A节点写入数据，但是在B节点读取不到数据的情况。每年Apple秋季发布会之后，很多人会到Apple官网抢购iPhone手机，然而每年都有顾客会遇到付款之后，订单依旧是未支付的状态。这就是典型的Replication集群的效果，数据出现了不一致。如果采用PXC集群，因为数据是同步传输，所以我们在A节点写入数据，提交事务的时候，PXC必须保证所有MySQL节点都成功写入这条数据，才算事务提交成功，所以不会出现A节点写入数据，在B节点上读取不到数据的情况。因此PXC更加适合保存重要的数据，例如交易记录、学籍信息、考试成绩、用户信息等。另外，阿里巴巴在设计OceanBase数据库的时候也充分借鉴了PXC的原理。

再说回到数据导入，Replication只保证本节点写入，而PXC会保证所有节点写入。因此说，向Replication集群写入数据会比PXC快，但都比单节点MySQL速度慢。

SOURCE命令执行的是INSERT语句，所以导入速度与我们执行INSERT语句没什么差别，如果数据量不多，还没什么问题，但是呢，如果从遗留数据库导出的数据特别多，上千万，甚至上亿。那么用SOURCE导入数据就会耗时很长。因此啊，我们要选择LOAD DATA导入。

为什么说LOAD DATA导入速度比SOURCE快很多倍呢，这是因为数据库执行SQL语句的时候会先校验语法，然后优化SQL，最后再执行。但是LOAD DATA导入的纯数据，于是就跳过了SQL的校验和优化，导入的速度也就大大提升了。

二、准备工作

下面我们通过程序来生成一个TXT文档，向文档中写入1千万条数据，再通过LOAD DATA导入数据。

这里我使用IBM的Xtend语言，来生成1千万条数。Xtend语言可以与Java语言完美兼容，除了语法更加简洁优雅之外，Xtend代码会被编译成Java代码。所以我们编写的代码最终会以Java程序来运行。这一点与Kotlin很像，但是Xtend语言的编译速度明显是Kotlin的4-6倍，开发效率真的是非常高。从我个人角度来说，非常推荐使用Xtend来改善Java啰嗦的语法。另外，大家可以在Eclipse的软件商店中找到该插件，安装之后，你就能编写Xtend语言了。

import java.io.FileWriter
import java.io.BufferedWriter

class Test {
	def static void main(String[] args) {
		var writer=new FileWriter("D:/data.txt")
		var buff=new BufferedWriter(writer)
		for(i:1..10000000){
			buff.write(i+",测试数据
")
		}
		buff.close
		writer.close
	}
}

接下来我们把TXT文件上传到Linux系统，利用split把TXT文件切分成多个文件，这样就可以用Java多线程同时把多个TXT文件导入到数据库。

split -l 1000000 -d data.txt

修改MySQL的配置文件

innodb_flush_log_at_trx_commit = 0
innodb_flush_method = O_DIRECT
innodb_buffer_pool_size = 200M

创建要导入数据的表

CREATE TABLE t_test(
    id INT UNSIGNED PRIMARY KEY,
    name VARCHAR(200) NOT NULL
);

三、编写Java程序，执行多线程导入

因为Java语言自带了线程池，所以我们先定义出来Runnable任务，然后交给多线程去执行导入TXT文档。

import org.eclipse.xtend.lib.annotations.Accessors
import java.io.File
import java.sql.DriverManager

class Task implements Runnable{
	@Accessors
	File file;
	
	override run() {
		var url="jdbc:mysql://192.168.99.131:8066/test"
		var username="admin"
		var password="Abc_123456"
		var con=DriverManager.getConnection(url,username,password)
		var sql='''
			load data local intfile '/home/data/«file.name»' ignore into table t_test 
			character set 'utf8' 
			fields terminated by ',' optionally enclosed by '"' 
			lines terminated by '
' (id,name);
		'''
		var pst=con.prepareStatement(sql);
		pst.execute
		con.close
		LoadData.updateNum();
	}
}

import com.mysql.jdbc.Driver
import java.sql.DriverManager
import java.util.concurrent.LinkedBlockingQueue
import java.util.concurrent.ThreadPoolExecutor
import java.util.concurrent.TimeUnit
import java.io.File

class LoadData {
	var static int num=0;
	var static int end=0;
	var static pool=new ThreadPoolExecutor(1,5,60,TimeUnit.SECONDS,new LinkedBlockingQueue(200))
	def static void main(String[] args) {
		DriverManager.registerDriver(new Driver)
		var folder=new File("/home/data")
		var files=folder.listFiles
		end=files.length //线程池结束条件
		files.forEach[one|
			var task=new Task();
			task.file=one;
			pool.execute(task)
		]
	}
	synchronized def static updateNum(){
		num++;
		if(num==end){
			pool.shutdown();
			println("执行结束")
		}
	}
}

在Linux系统上执行Java程序。我本地的主机配置是AMD 锐龙2700X，16GB内存和固态硬盘，1千万数据，只用了1分钟不到的时间就成功导入了。如果用SOURCE语句导入这些数据，需要10个小时以上。换做LOAD DATA指令，仅仅1分钟，速度提升了3万多倍，太让人吃惊了。

这是向单节点导入数据，如果向MySQL集群导入数据，该怎么做呢？首先，如果是Replication集群，因为节点间是异步传输，所以数据的导入速度最接近单节点MySQL，因此不用特别优化。如果是PXC集群，因为节点之间是同步传输，所以写入速度较慢。不妨关闭其他PXC节点，只保留一个MySQL节点，然后向该节点导入数据。这是为了避免向集群导入数据的过程中，同步的速度赶不上写入的速度，导致PXC集群限速，从而影响导入的速度。当我们在一个PXC节点导入成功之后，再陆续开启其他PXC节点，那么就不会产生大规模写入限速的问题了。