AntDB数据并行加载工具的实现

1.概述

数据加载速度是评判数据库性能的重要指标，能否提高数据加载速度，对文件数据进行并行解析，直接影响数据库运维管理效率。基于此，AntDB分布式数据库提供了两种数据加载方式：

一是类似于PostgreSQL的Copy命令，二是通过AntDB提供的并行加载工具。Copy命令是大家都比较熟悉的，但Copy命令导入数据需要通过CN节点，制约了数据的导入性能，无法实现并行、高效的加载。而AntDB并行加载工具可以绕过CN节点，直连数据节点，大大提高了加载的速率。

2.实现原理

2.1 并行加载工具整体流程

并行加载工具有两种线程，一种是文本处理线程，另外一种是数据处理线程。文本处理线程只有1个，用来读取文件，并按行进行拆分，拆分后将行数据发送到数据处理线程。数据处理线程是多个，并行分析行数据，并加载到相应数据节点。

图1 并行加载工具架构

2.2 文本处理

并行加载工具支持Text和Csv两种格式的文件，下面简要说明下。Text和Csv文件都是以纯文本形式存储表格数据的，文件的每一行都是一个数据记录。每个记录由一个或多个字段组成，用分隔符分隔。文本处理线程的任务就是从文件中提取一行完整的记录，然后发送给数据处理线程。

文件中每一行数据以字符’\n’或者’\r\n’结尾。当是Csv文件是，由于Csv文件支持引用字符，当‘\n’、’\r\n’出现在引用字符中间时，作为普通字符处理，不能作为行结尾。Csv的引用字符为单字节字符，用户可以根据需要自己指定，未指定的话默认是双引号。

2.3行数据处理

数据处理线程用来分析文本处理线程发来的行数据，行数据由一个或多个字段组成，用分隔符分隔，分隔符可以指定。

数据处理线程从CN获取数据库及表相关信息，包括数据库编码方式，表分片方式，表的分片键等。

AntDB数据库中的表支持以下4中分布方式：

• 复制表
• Hash分片表
• 取模分片表
• 随机分片表

并行加载工具会根据表的分布方式生成相应的导入策略。以下以不同的表分布方式说明并行加载工具的导入策略。

• 复制表在每个DN数据节点都保留完整的数据，复制表的数据导入时，需要将行数据插入到所有DN节点。

图2 复制表数据加载流程

• Hash分片表将表数据分散到各DN节点，通过对分片键进行Hash，确定行数据属于哪个DN节点。并行加载工具的行处理线程，通过CN节点获取Hash分片表的分片健，对其进行Hash，然后将该行数据插入对应的DN节点，并行加载工具中的Hash分片的算法需要和CN节点的Hash算法一致。

图3 hash分配表数据加载流程

• 取模分片表也是将表数据分散到各DN节点，通过对分片键进行取模确定行数据所属DN节点，并行加载工具导入的处理策略与Hash分片表相同，只是将Hash计算换成了取模的方式。

• 随机分片表没有分片键，而是将数据根据随机分配到各DN节点。并行加载工具在每行数据导入前执行各随机函数，根据函数的返回值确定应该导入哪个节点。

图4 随机分片表数据加载流程

3.功能性说明

本节对并行加载工具的部分支持的功能进行简要说明。

1.支持表类型

并行加载工具支持普通表、分区表。

2.支持指定导入字段

文件中并不是必须包含表中所有的字段，用户可以指定导入某些字段，但是指定的字段数要和文件中的字段数保持一致。

3.支持导入部分记录

并行加载工具支持指定Where条件，只将符合条件的记录导入到数据库中。

4.自动生成序列字段值

本工具支持自动生成序列字段值，有些表的字段设置了Default值为序列，用户可能需要数据库自己生成，并没有包含在文件中。 当该字段为非分片键时，我们可以使用数据库自有的功能，在插入时自动生成该字段值。但是当该字段为分片键时，我们需要先在加载工具中生成该值，然后根据该值进行分片，插入到对应的DN节点。

5.无分片键文件导入

当文件中不包含分片键，并且没有Default值时，加载工具将该字段置为Null计算并插入相应节点。

6.触发器

当导入的表包含触发器时，并行加载工具并不会做特殊的处理，当触发器涉及非本数据节点时，并行加载工具并不支持。例如一个表的触发器，该触发器会插入另外一张表，但是该表分片与原表不同，此时将会涉及多个数据节点。

7.不支持辅助表

AntDB有辅助表功能，用来优化SQL语句的性能，该表中存放数据表的相应数据。当数据表有辅助表时，并行加载工具只能将文件导入到数据表，并不会修改相应的辅助表。

8.支持编码转换

并行加载工具支持数据编码转换，在文件中数据和数据库的编码不同时，工具会对文件中数据编码的转换之后再插入数据库。

4.性能

并行加载工具相比Copy命令，有效提升了数据加载的效率。由于表字段的个数、类型及数据的不同，并行加载工具相对Copy命令所提升的倍率并不完全相同。下面以TPCC的数据导入进行性能的对比。

1000仓的数据，需要导入到表Bmsql_Stock的记录有1亿条，数据文件Stock.csv文件的大小为29GB。测试的AntDB集群有2个DN主节点。在此场景的测试中，加载效率提升了7倍左右，加载速度对比图如下所示：

图5 加载速率对比

Bmsql_Stock表结构如下：

图6 测试表的表结构

5.总结

本文介绍了AntDB并行加载工具的实现方式和使用方法，通过多线程的方式实现并行处理文件数据，并加载到AntDB数据库，有效提升了加载的效率。

关于AntDB数据库

AntDB数据库始于2008年，在运营商的核心系统上，为全国24个省份的10亿多用户提供在线服务，具备高性能、弹性扩展、高可靠等产品特性，峰值每秒可处理百万笔通信核心交易，保障系统持续稳定运行近十年，并在通信、金融、交通、能源、物联网等行业成功商用落地。