【巨杉数据库SequoiaDB】巨杉Tech | 巨杉数据库数据高性能数据导入迁移实践

SequoiaDB 一款自研金融级分布式数据库产品，支持标准SQL和分布式事务功能、支持复杂索引查询，兼容 MySQL、PGSQL、SparkSQL等SQL访问方式。SequoiaDB 在分布式存储功能上，较一般的大数据产品提供更多的数据切分规则，包括：水平切分、范围切分、主子表切分和多维切分方式，用户可以根据不用的场景选择相应的切分方式，以提高系统的存储能力和操作性能。

为了能够提供简单便捷的数据迁移和导入功能，同时更方便地与传统数据库在数据层进行对接，巨杉数据库支持多种方式的数据导入，用户可以根据自身需求选择最适合的方式加载数据。

本文主要介绍巨杉数据库集中常见的高性能数据导入方法，其中包括巨杉工具矩阵中的 Sdbimprt导入工具，以及使用SparkSQL, MySQL和原生API 接口进行数据导入，一共四种方式。

 

Sdbimprt工具导入

sdbimprt 是 SequoiaDB 的数据导入工具，是巨杉数据库工具矩阵中重要组成之一，它可以将 JSON 格式或 CSV 格式的数据导入到 SequoiaDB 数据库中。

关于工具说明与参数介绍，请参考：

http://doc.sequoiadb.com/cn/sequoiadb-cat_id-1479195620-edition_id-0。

一、示例

下面简单介绍一下如何使用 sdbimprt 工具将 csv 文件导入到 SequoiaDB 集合空间 site 的集合 user_info 中：

数据文件名称为“user.csv”，内容如下：​​​​​​

“Jack”,18,”China”“Mike”,20,”USA”

导入命令

sdbimprt --hosts=localhost:11810 --type=csv --file=user.csv -c site -l user_info --fields="name string default "Anonymous", age int, country"

--hosts：指定主机地址（hostname:svcname）

• --type：导入数据格式，可以是csv或json

• --file：要导入的数据文件名称

• -c(--csname)：集合空间的名字

• -l(--clname)：集合的名字

• --fields：指定导入数据的字段名、类型、默认值

二、导入性能优化

下面说明使用 sdbimprt 工具时如何提升导入性能：

 使用 --hosts 指定多个节点

导入数据时，尽量指定多个 coord 节点的地址，用“,”分隔多个地址，sdbimprt 工具会把数据随机发到不同机器上的 coord，起到负载均衡的作用（如图1）。

 使用 --insertnum(-n) 参数

在导入数据时，使用 --insertnum(-n) 参数，可以实现批量导入，减少数据发送时的网络交互的次数，从而加快数据导入速度。取值范围为1~100000，默认值为100。

 使用 --jobs(-j) 参数

指定导入连接数（每个连接一个线程），从而实现多线程导入。

 切分文件

sdbimprt 在导入数据时支持多线程并发导入，但读数据时是单线程读取，随着导入线程数的增加，数据读取就成为了性能瓶颈。这种情况下，可以将一个大的数据文件切分成若干个小文件，然后每个小文件对应启动一个 sdbimprt 进程并发导入，从而提升导入性能。如果集群内有多个协调节点，分布在不同的机器上，那么可以在多台机器上分别启动 sdbimprt 进程，并且每个 sdbimprt 连接机器本地的协调节点，这样数据发送给协调节点时避免了网络传输（如图2）。

 数据加载完后再建索引

对于导入数据量大，且索引多的表，建议先把索引删除，待到数据导入完成后再重建索引，这样有利于加快数据导入。在数据导入的过程中，如果目标表存在大量的索引，数据库除了写入数据外，还需要写入索引文件，这会降低导入数据的性能。此方式对提升其它方式的数据导入速度同样适用。

 

SparkSQL 导入

SparkSQL 可以方便的读取多种数据源，通过 SequoiaDB 提供的 Spark 连接器，可以使用 SparkSQL 向 SequoiaDB 中写入数据或从中读取数据。

关于 SparkSQL 如何与 SequoiaDB 连接，请参考：

http://doc.sequoiadb.com/cn/sequoiadb-cat_id-1432190712-edition_id-0。

一、示例

下面举例说明如何将 HDFS 中的 csv 文件通过 SparkSQL 导入 SequoiaDB 集合中，以及如何优化导入性能。

将 HDFS 中 csv 文件映射成 spark 的临时表

CREATE TABLE   hdfstable           USING  org.apache.spark.sql.execution.datasources.csv.CSVFileFormatOPTIONS (  path "hdfs://usr/local/data/test.csv",   header "true")

 将 SDB 的集合映射成 spark 的临时表​​​​​​​

create temporary table sdbtable (a string,b int,c date) using com.sequoiadb.spark OPTIONS ( host "sdbserver1:11810,sdbserver2:11810,sdbserver3:11810", username "sdbadmin",password "sdbadmin",collectionspace "sample", collection "employee",bulksize "500");

导入

sparkSession.sql("insert into sdbtable select * from hdfstable");

 

二、导入性能优化

SparkSQL 数据写入有以下两个参数可以优化：

• host

尽量指定多个 coord 节点的地址，用“,”分隔多个地址，数据会随机发到不同 coord 节点上，起到负载均衡的作用。

• bulksize

该参数默认值为500，代表连接器向 SequoiaDB 写入数据时，以 500 条记录组成一个网络包，再向 SequoiaDB 发送写入请求，可以根据数据的实际大小调整 bulksize 的值。

 

MySQL 导入

SequoiaDB 以存储引擎的方式与 MySQL 对接，使得用户可以通过 MySQL 的 SQL 接口访问 SequoiaDB 中的数据，并进行增、删、改、查等操作。

关于如何与MySQL对接，请参考：

http://doc.sequoiadb.com/cn/sequoiadb-cat_id-1521595283-edition_id-302。

一、示例

使用 mysql 向 SequoiaDB 导入数据有以下几种方式：

 SQL 文件导入

mysql> source /opt/table1.sql

CSV 文件导入。mysql 中提供了 load data infile 语句来插入数据：

mysql> load data local infile "/opt/table2.csv" into table table2 fields terminated by "," enclosed by """ lines terminated by "
";

 

二、导入性能优化

提升MySQL的导入性能有如下建议：

 sequoiadb_conn_addr 指定多个地址

引擎配置参数“sequoiadb_conn_addr”尽量指定多个coord节点的地址，用“,”分隔多个地址，数据会随机发到不同coord节点上，起到负载均衡的作用。

 开启 bulkinsert

引擎配置参数“sequoiadb_use_bulk_insert”指定是否启用批量插入，默认值为“ON”，表示启用。配置参数“sequoiadb_bulk_insert_size”指定批量插入时每批的插入记录数，默认值2000。可以通过调整bulkinsert size提高插入性能。

 切分文件

可以将一个大的数据文件切分为若干个小文件，然后为每个小文件启动一个导入进程，多个文件并发导入，提高导入速度。

API 接口导入

SequoiaDB 提供了插入数据的 API 接口，即“insert”接口。insert 接口会根据传入的参数不同而使用不同的插入方式，如果每次只传入一条记录，则接口也是将记录逐条的发送到数据库引擎，如果每次传入一个包含多条记录的集合或数组，则接口会一次性把这批记录发送到数据库引擎，最后通过引擎一条一条写入数据库中。

因此，insert 接口的两种插入方式的区别在于发送数据到数据库引擎这一过程，一次传入多条记录这种方式称为“bulkinsert”，相对来说会减少数据发送时的网络交互的次数，插入性能更佳。

小结

如何达到最大数据加载速度，是数据库迁移/数据导入中常遇到的问题，本文从以下四个方面分别介绍了 SequoiaDB 数据迁移/导入过程中性能最优化的方法：

1）基于巨杉工具矩阵 sdbimprt 导入可以采用修改参数 host 指定多个节点、修改连接数、切分文件、修改参数 insertnum、重建索引等等对数据导入速度进行优化。

2）基于 MySQL 导入可以采用修改参数 host 地址及 bulksize 进行优化。

3）基于 Spark 导入可以采用指定多个协调节点IP、设置 bulkinsert 参数、切分文件进行优化。      

4）基于API接口进行优化可以采用 bulkinsert 批量插入数据，减少网络交互。

大家可以参考本文的数据导入方法进行实践验证，从传统数据库迁移到巨杉数据库SequoiaDB。