GreatSQL用户手册

§ 并行load data

§ 1. 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。

§ 2. 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储引擎。

§ 3. 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

§ 4. 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=65536 或 SET 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

§ 5. 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。

§ 6. 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。

§ 7. 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