§ 并行load data


§ MySQL原生load data局限

MySQL原生的load data采用单线程读取本地文件(或收取client传来的网络数据包),逐行获取内容并调用数据库write_row()接口插入数据。当导入的单个文件很大时,单线程处理模式无法充分利用数据库的资源,导致执行时间很长。又由于load data导入的数据在一个事务内,当binlog事务超过2G时,无法使用binlog在MGR集群间同步。

§ GreatSQL并行LOAD DATA

为解决上述两个问题,GreatSQL新增parallel load data并行导入特性。开启并行导入特性后,GreatSQL会自动将导入的文件切分文件成多个小块(块大小可配置),然后启动多个worker线程(数量可配置)导入文件块。

并行导入与存储引擎无关,理论上可以支持所有的存储引擎。

§ 相关变量

变量名 含义 取值范围及单位 默认值
gdb_parallel_load 是否开启并行导入(SESSION级设置) ON/OFF OFF
gdb_parallel_load_chunk_size 并行导入时,文件切割的大小 64k-128M,字节 4M
gdb_parallel_load_workers 并行导入最大worker线程数 1-32 8

§ 启用并行LOAD DATA

可采用两种方式启用并行load data:

  1. 设置SESSION级变量启用

连接数据库,执行 SET SESSION gdb_parallel_load=ON

如需调整文件块大小或线程数,执行 SET SESSION gdb_parallel_load_chunk_size=65536SET SESSION gdb_parallel_load_workers=16

然后执行 LOAD DATA 语句导入文件。

LOAD DATA INFILE '/tmp/load.txt' INTO TABLE t1;
1
  1. load语句增加hint启用

LOAD /*+ SET_VAR(gdb_parallel_load=ON) SET_VAR(gdb_parallel_load_chunk_size=65536) SET_VAR(gdb_parallel_load_workers=16) */
DATA INFILE '/tmp/load.txt' INTO TABLE t1;
1
2
3

§ 检查并行导入进度

worker线程会创建新的session导入文件块,可通过执行 show processlist 看到worker线程正在执行的语句。

语句的格式为:

LOAD /*parallel load worker(chunk_no:xxx)*/ DATA INFILE 'session_id:worker_no' INTO ...
1

其中 chunk_no 代表文件块的编号,每新产生一个文件块时 chunk_no 增加1,可通过文件原始大小除以 gdb_parallel_load_chunk_size,得到 chunk_no 并大致判断出导入进度。

session_id 表示初始执行 load data 语句的那个 session_id,即 master_session_id。而worker_no 表示启动的worker线程编号。

§ 特殊限制

1. 非原子性: 启动并行导入后,若中途失败,已执行导入的文件块无法回滚。因此请不要用于在线业务系统的数据表,而是先导入到某个临时表,完全导入成功后,再将数据加载到正式业务表中。

2. session变量支持受限: 若导入语句使用了类似 connection_id() 这类会话相关的变量或函数时,worker session无法正确导入。

3. 不支持replace into: 不支持replace into方式插入。

§ 并行导入提升测试

受限于master session的文件分割速度,并行导入速度可能区别较大。经过测试,在磁盘IO和CPU核心资源都充足的前提下启动32个worker,最大的加速比大概为20倍。

greatsql-wx