快速导入上亿行数据文件到数据库表(使用 JDBC 的 executeBatch)

最近在 cnblogs 网站上，看其他人博客，谈及一个包含很多行(一亿)的大文件，一周之内，将其数据导入到数据库表。

我谈到可以使用“使用数据库事务，分批 commit 到数据库，每批次有 5000行”的方法，提高数据导入速度，两天应该就可以了。

好像博主及下方评论者，不太理解，这个“分批 commit ”。

特写此博客，介绍一下使用 JDBC 的 executeBatch 做分批 commit，以提高大批量数据的导入速度。

 

JDBC 有个 PreparedStatement 类，包含 addBatch, executeBatch 等函数(或称之为方法，我不区分这两个概念)。配合 Connection 的setAutoCommit(false), commit()，即可实现“分批 commit ”。

当然，首先要逐行读数据文件。这里的数据文件，一般是 .txt 或 .csv 之类的纯文本文件，以逗号作为列分割，有的以 tab 做分割字符，也有的使用固定列宽(比如1-4字符为第一列，5-12为第二列...)。

我们使用 BufferedReader 来实现逐行读取。这是一个常用的 Java 类，可很好地用于此处文件读取。

 

为了方便起见，软件将从 Java 命令行读取 JVM 参数，举例如下:

-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

参数解释如下:

data_file 为数据文件；

from_line 用于指定数据文件中的起始行号，最小值为1，一方面可用于跳过标题行，另一方面，可用于长时间运行过程中，如有中断，可重新从某行开始;

to_line 用于指定数据文件中的结束行号，可空;

batch_commit_size 用于指定每批次的数据行数，可调整，以便测试哪种参数，导入数据最快，此处配置为5000;

use_multi_thread 用于指定程序是否使用多线程，此参数暂无用处。

 

大批量数据文件导入，一般的策略为：

a. 正确的数据，尽量全部导入；

b. 错误的数据，跳过、记录报错数据行信息，继续运行；

c. 全部导入完成后，分析错误的数据，特殊处理。

 

以下介绍的代码，可以很好地实现这几个策略(报错到批次、行号范围)。

运行时有类似如下的日志信息:

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,批次号:1, 原数据文件行[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,批次号:2, 原数据文件行[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,批次号:3, 原数据文件行[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,批次号:4, 原数据文件行[15001-20000], 提交成功.

如果 5001-10000 行处理失败，则下次运行时，更改启动参数 from_line=5001, to_line=10000, batch_commit_size 调小为 100，再次运行。

将出错行号，逐步定位到更小的批次里。

 

 

主控程序 BatchDataImportMain ，功能为读取以上参数，然后使用 reader 读数据文件，最后调用 dataSrv.saveData ，代码如下:

public class BatchDataImportMain {

    public static void main(String[] args) {
        Logger log = LoggerFactory.getLogger(BatchDataImportMain.class);
        try {
            log.info("从命令行参数中获取数据...");
            String strDataFile = System.getProperty("data_file");

            // 数据文件的第一行为1，不是0，方便用户理解
            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 为不采用多线程的 DataImportSrvNotUseThread，此类的功能，是将 reader 中的数据，逐行取出，每5000行为一批次，调用数据保存代码。

内存占用最多为5000行数据，不会导致内存溢出。

分批时，记录当前批次的数据中，在原始数据文件中的起始行号、结束行号、当前第几批。

 

DataImportSrvNotUseThread 代码如下：

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++;
            // 忽略不在指定行号范围内的数据行
            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 类的 saveBatchDataInTrasaction 函数，保存一批数据，使用一个数据库连接、一个 transaction. 此函数内部，使用 PreparedStatement 的executeBatch。

此处使用了数据库连接池。

有的数据库，初次建立连接，用时很长，而使用数据库连接池，相比未使用数据库连接池，可大幅提高性能。

 

DatabaseSrv 代码如下:

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，保存数据行号。以便检查哪些行成功导入了。

                        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();

                    // 标记为成功
                    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,批次号:" + iBatchNum + ", 原数据文件行[" + iLineNumBeginOfBatch + "-" + iLineNumEndOfBatch
                    + "], 提交成功.");
        } else {
            log.info("批量 commit,批次号:" + iBatchNum + ", 原数据文件行[" + iLineNumBeginOfBatch + "-" + iLineNumEndOfBatch
                    + "], 提交失败.");
        }
    }

    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;
        }
    }

}

 

 

还有一些重要性较低的代码，此处未贴出。如需要，也可提供。

经初步测试，以上代码，未使用多线程，导入 2万行数据，运行三次，用时分别为 5.696秒, 4.968 秒, 5.04 秒。

按第一次运行的速度(3511行/秒)，导入 2 亿行数据，顺利的话，预估完成导入所用时间为 15.8小时。

即使加上异常数据分析、特殊处理的操作，也能很好完成该博主的工作任务(1周之内完成数据导入)。

 

当然，此处代码，仍有性能优化的余地。

 

以上性能测试，使用的是 Postgres 数据库，本地无线局域网连接。

 

===============欢迎转载，转载请注明出处:https://www.cnblogs.com/jacklondon/

转载请注明出处: http://www.cnblogs.com/jacklondon ; 欢迎访问 http://www.zheguisoft.com/ 并提建议。