如何快速安全的插入千萬條數據

前言

最近有個需求解析一個訂單文件，並且說明文件可達到千萬條數據，每條數據大概在20個字段左右，每個字段使用逗號分隔，需要儘量在半小時內入庫。

思路

1.估算文件大小

因爲告訴文件有千萬條，同時每條記錄大概在20個字段左右，所以可以大致估算一下整個訂單文件的大小，方法也很簡單使用FileWriter往文件中插入一千萬條數據，查看文件大小，經測試大概在1.5G左右；

2.如何批量插入

由上可知文件比較大，一次性讀取內存肯定不行，方法是每次從當前訂單文件中截取一部分數據，然後進行批量插入，如何批次插入可以使用insert(...)values(...),(...)的方式，經測試這種方式效率還是挺高的；

3.數據的完整性

截取數據的時候需要注意，需要保證數據的完整性，每條記錄最後都是一個換行符，需要根據這個標識保證每次截取都是整條數，不要出現半條數據這種情況；

4.數據庫是否支持批次數據

因爲需要進行批次數據的插入，數據庫是否支持大量數據寫入，比如這邊使用的mysql，可以通過設置max_allowed_packet來保證批次提交的數據量；

5.中途出錯的情況

因爲是大文件解析，如果中途出現錯誤，比如數據剛好插入到900w的時候，數據庫連接失敗，這種情況不可能重新來插一遍，所有需要記錄每次插入數據的位置，並且需要保證和批次插入的數據在同一個事務中，這樣恢復之後可以從記錄的位置開始繼續插入。

實現

1.準備數據表

這裏需要準備兩張表分別是：訂單狀態位置信息表，訂單表；

CREATE TABLE `file_analysis` (
  `id` bigint(20) NOT NULL AUTO_INCREMENT,
  `file_type` varchar(255) NOT NULL COMMENT '文件類型 01:類型1，02:類型2',
  `file_name` varchar(255) NOT NULL COMMENT '文件名稱',
  `file_path` varchar(255) NOT NULL COMMENT '文件路徑',
  `status` varchar(255) NOT NULL COMMENT '文件狀態  0初始化；1成功；2失敗：3處理中',
  `position` bigint(20) NOT NULL COMMENT '上一次處理完成的位置',
  `crt_time` datetime NOT NULL COMMENT '創建時間',
  `upd_time` datetime NOT NULL COMMENT '更新時間',
  PRIMARY KEY (`id`)
) ENGINE=InnoDB AUTO_INCREMENT=2 DEFAULT CHARSET=utf8

CREATE TABLE `file_order` (
  `id` bigint(20) NOT NULL AUTO_INCREMENT,
  `file_id` bigint(20) DEFAULT NULL,
  `field1` varchar(255) DEFAULT NULL,
  `field2` varchar(255) DEFAULT NULL,
  `field3` varchar(255) DEFAULT NULL,
  `field4` varchar(255) DEFAULT NULL,
  `field5` varchar(255) DEFAULT NULL,
  `field6` varchar(255) DEFAULT NULL,
  `field7` varchar(255) DEFAULT NULL,
  `field8` varchar(255) DEFAULT NULL,
  `field9` varchar(255) DEFAULT NULL,
  `field10` varchar(255) DEFAULT NULL,
  `field11` varchar(255) DEFAULT NULL,
  `field12` varchar(255) DEFAULT NULL,
  `field13` varchar(255) DEFAULT NULL,
  `field14` varchar(255) DEFAULT NULL,
  `field15` varchar(255) DEFAULT NULL,
  `field16` varchar(255) DEFAULT NULL,
  `field17` varchar(255) DEFAULT NULL,
  `field18` varchar(255) DEFAULT NULL,
  `crt_time` datetime NOT NULL COMMENT '創建時間',
  `upd_time` datetime NOT NULL COMMENT '更新時間',
  PRIMARY KEY (`id`)
) ENGINE=InnoDB AUTO_INCREMENT=10000024 DEFAULT CHARSET=utf8

2.配置數據庫包大小

mysql> show VARIABLES like '%max_allowed_packet%';
+--------------------------+------------+
| Variable_name            | Value      |
+--------------------------+------------+
| max_allowed_packet       | 1048576    |
| slave_max_allowed_packet | 1073741824 |
+--------------------------+------------+
2 rows in set

mysql> set global max_allowed_packet = 1024*1024*10;
Query OK, 0 rows affected

通過設置max_allowed_packet，保證數據庫能夠接收批次插入的數據包大小；不然會出現如下錯誤：

Caused by: com.mysql.jdbc.PacketTooBigException: Packet for query is too large (4980577 > 1048576). You can change this value on the server by setting the max_allowed_packet' variable.
    at com.mysql.jdbc.MysqlIO.send(MysqlIO.java:3915)
    at com.mysql.jdbc.MysqlIO.sendCommand(MysqlIO.java:2598)
    at com.mysql.jdbc.MysqlIO.sqlQueryDirect(MysqlIO.java:2778)
    at com.mysql.jdbc.ConnectionImpl.execSQL(ConnectionImpl.java:2834)

3.準備測試數據

    public static void main(String[] args) throws IOException {
        FileWriter out = new FileWriter(new File("D://xxxxxxx//orders.txt"));
        for (int i = 0; i < 10000000; i++) {
            out.write(
                    "vaule1,vaule2,vaule3,vaule4,vaule5,vaule6,vaule7,vaule8,vaule9,vaule10,vaule11,vaule12,vaule13,vaule14,vaule15,vaule16,vaule17,vaule18");
            out.write(System.getProperty("line.separator"));
        }
        out.close();
    }

使用FileWriter遍歷往一個文件裏插入1000w條數據即可，這個速度還是很快的，不要忘了在每條數據的後面添加換行符(\n\r)；

4.截取數據的完整性

除了需要設置每次讀取文件的大小，同時還需要設置一個參數，用來每次獲取一小部分數據，從這小部分數據中獲取換行符(\n\r)，如果獲取不到一直累加直接獲取爲止，這個值設置大小大致同每條數據的大小差不多合適，部分實現如下：

ByteBuffer byteBuffer = ByteBuffer.allocate(buffSize); // 申請一個緩存區
long endPosition = batchFileSize + startPosition - buffSize;// 子文件結束位置

long startTime, endTime;
for (int i = 0; i < count; i++) {
    startTime = System.currentTimeMillis();
    if (i + 1 != count) {
        int read = inputChannel.read(byteBuffer, endPosition);// 讀取數據
        readW: while (read != -1) {
            byteBuffer.flip();// 切換讀模式
            byte[] array = byteBuffer.array();
            for (int j = 0; j < array.length; j++) {
                byte b = array[j];
                if (b == 10 || b == 13) { // 判斷\n\r
                    endPosition += j;
                    break readW;
                }
            }
            endPosition += buffSize;
            byteBuffer.clear(); // 重置緩存塊指針
            read = inputChannel.read(byteBuffer, endPosition);
        }
    } else {
        endPosition = fileSize; // 最後一個文件直接指向文件末尾
    }
    ...省略，更多可以查看Github完整代碼...
}

如上代碼所示開闢了一個緩衝區，根據每行數據大小來定大概在200字節左右，然後通過遍歷查找換行符(\n\r)，找到以後將當前的位置加到之前的結束位置上，保證了數據的完整性；

5.批次插入數據

通過insert(...)values(...),(...)的方式批次插入數據，部分代碼如下：

// 保存訂單和解析位置保證在一個事務中
        SqlSession session = sqlSessionFactory.openSession();
        try {
            long startTime = System.currentTimeMillis();
            FielAnalysisMapper fielAnalysisMapper = session.getMapper(FielAnalysisMapper.class);
            FileOrderMapper fileOrderMapper = session.getMapper(FileOrderMapper.class);
            fileOrderMapper.batchInsert(orderList);

            // 更新上次解析到的位置，同時指定更新時間
            fileAnalysis.setPosition(endPosition + 1);
            fileAnalysis.setStatus("3");
            fileAnalysis.setUpdTime(new Date());
            fielAnalysisMapper.updateFileAnalysis(fileAnalysis);
            session.commit();
            long endTime = System.currentTimeMillis();
            System.out.println("===插入數據花費:" + (endTime - startTime) + "ms===");
        } catch (Exception e) {
            session.rollback();
        } finally {
            session.close();
        }
        ...省略，更多可以查看Github完整代碼...

如上代碼在一個事務中同時保存批次訂單數據和文件解析位置信息，batchInsert通過使用mybatis的<foreach>標籤來遍歷訂單列表，生成values數據；

總結

以上展示了部分代碼，完整的代碼可以查看Github地址中的batchInsert模塊，本地設置每次截取的文件大小爲2M，經測試1000w條數據(大小1.5G左右)插入mysql數據庫中，大概花費時間在20分鐘左右，當然可以通過設置截取的文件大小，花費的時間也會相應的改變。

完整代碼

Github