前提
由于工作的原因，經常需要對海量數據進行處理，做的數據爬蟲相關，動輒千萬級別的數據，單表幾十個G都是都是家常便飯。 主要開發語言是C#，數據庫使用的是MySQL。
最常見的操作便是 select 讀取數據，然后在C#中對數據進行處理， 完畢后再插入數據庫中。 簡而言之就 select -> process -> insert三個步驟。 對于數據量小的情況下（百萬級別 or 幾百兆)可能最多1個小時就處理完了。但是對于千萬級數據可能幾天，甚至更多。 那么問題來了，如何優化？？
（數據庫的一覽，有圖有真相）
第一步 解決讀取的問題
跟數據庫打交道的方式有很多，我來列舉下吧：
1. 【重武器-坦克大炮】使用重型ORM框架，比如EF,NHibernat 這樣的框架。
2. 【輕武器-AK47】 使用Dapper,PetaPoco之類，單cs文件。靈活高效，使用簡單。居家越貨必備（我更喜歡PetaPoco :)）
3. 【冷兵器？匕首？】使用原生的Connection、Command。 然后寫原生的SQL語句。。
分析：
【重武器】在我們這里肯定直接被PASS， 他們應該被用在大型項目中。
【輕武器】Dapper,PetaPoco 看過源碼你會發現用到了反射，雖然使用IL和緩存技術，但是還是會影響讀取效率，PASS
好吧那就只有使用匕首，原生SQL走起， 利用DataReader 進行高效讀取，并且使用索引取數據（更快），而不是列名。
大概的代碼如下：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
|
using (var conn = new MySqlConnection('Connection String...')){ conn.Open(); //此處設置讀取的超時，不然在海量數據時很容易超時 var c = new MySqlCommand('set net_write_timeout=9999999; set net_read_timeout=9999999', conn); c.ExecuteNonQuery(); MySqlCommand rcmd = new MySqlCommand(); rcmd.Connection = conn; rcmd.CommandText = @'SELECT `f1`,`f2` FROM `table1`'; //設置命令的執行超時 rcmd.CommandTimeout = 99999999; var myData = rcmd.ExecuteReader(); while (myData.Read()) { var f1= myData.GetInt32(0); var f2= myData.GetString(1); //這里做數據處理.... }} |
哈哈，怎么樣，代碼非常原始，還是使用索引來取數據，很容易出錯。 當然一切為了性能咱都忍了
第二步 數據處理
其實這一步，根據你的業務需要，代碼肯定不一， 不過無非是一些字符串處理，類型轉換的操作，這時候就是考驗你的C#基礎功底的時候了。 以及如何高效編寫正則表達式。。。
具體代碼也沒法寫啊 ，先看完CLR via C# 在來跟我討論吧 ，O(∩_∩)O哈哈哈~ 跳過。。。。
第三部 數據插入
如何批量插入才最高效呢？ 有同學會說， 使用事務啊，BeginTransaction, 然后EndTransaction。 恩，這個的確可以提高插入效率。 但是還有更加高效的方法，那就是合并insert語句。
那么怎么合并呢？
|
1
|
insert into table (f1,f2) values(1,'sss'),values(2,'bbbb'),values(3,'cccc'); |
就是把values后面的全部用逗號，鏈接起來，然后一次性執行 。
當然不能一次性提交個100MB的SQL執行，MySQL服務器對每次執行命令的長度是有限制的。 通過 MySQL服務器端的max_allowed_packet 屬性可以查看， 默認是1MB
咱們來看看偽代碼吧
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
|
//使用StringBuilder高效拼接字符串 var sqlBuilder = new StringBuilder(); //添加insert 語句的頭 string sqlHeader = 'insert into table1 (`f1`,`f2`) values'; sqlBuilder.Append(sqlHeader); using (var conn = new MySqlConnection('Connection String...')) { conn.Open(); //此處設置讀取的超時，不然在海量數據時很容易超時 var c = new MySqlCommand('set net_write_timeout=9999999; set net_read_timeout=9999999', conn); c.ExecuteNonQuery(); MySqlCommand rcmd = new MySqlCommand(); rcmd.Connection = conn; rcmd.CommandText = @'SELECT `f1`,`f2` FROM `table1`'; //設置命令的執行超時 rcmd.CommandTimeout = 99999999; var myData = rcmd.ExecuteReader(); while (myData.Read()) { var f1 = myData.GetInt32(0); var f2 = myData.GetString(1); //這里做數據處理.... sqlBuilder.AppendFormat('({0},'{1}'),', f1,AddSlash(f2)); if (sqlBuilder.Length >= 1024 * 1024)//當然這里的1MB length的字符串并不等于 1MB的Packet。。。我知道：） { insertCmd.Execute(sqlBuilder.Remove(sqlBuilder.Length-1,1).ToString())//移除逗號，然后執行 sqlBuilder.Clear();//清空 sqlBuilder.Append(sqlHeader);//在加上insert 頭 } }} |
好了，到這里 大概的優化后的高效查詢、插入就完成了。
結語
總結下來，無非2個關鍵技術點，DataReader、SQL合并，都是一些老的技術啦。
其實，上面的代碼只能稱得上 高效 ， 但是， 卻非常的不優雅。。。甚至難看。。。
那那么問題來了？ 如何進行重構呢？ 通過重構抽象出一個可用的類，而不必關心字符串拼接這些亂七八糟的東西，支持多線程合并寫入，最大限度提高寫入IO， 我們在下一篇文章中再來談談。
