43

今天我花了一天时间改进我的 Python 脚本的性能，该脚本将数据推送到我的 Postgres 数据库中。我以前是这样插入记录的：

query = "INSERT INTO my_table (a,b,c ... ) VALUES (%s, %s, %s ...)";
for d in data:
    cursor.execute(query, d)

然后我重新编写了我的脚本，以便它创建一个内存文件，而不是用于 Postgres 的COPY命令，这让我可以将数据从文件复制到我的表：

f = StringIO(my_tsv_string)
cursor.copy_expert("COPY my_table FROM STDIN WITH CSV DELIMITER AS E'\t' ENCODING 'utf-8' QUOTE E'\b' NULL ''", f)

这个COPY方法快得惊人。

METHOD      | TIME (secs)   | # RECORDS
=======================================
COPY_FROM   | 92.998    | 48339
INSERT      | 1011.931  | 48377

但我找不到任何关于为什么的信息？它与多行的工作方式有何不同INSERT，从而使其速度更快？

另请参阅此基准：

# original
0.008857011795043945: query_builder_insert
0.0029380321502685547: copy_from_insert

#  10 records
0.00867605209350586: query_builder_insert
0.003248929977416992: copy_from_insert

# 10k records
0.041108131408691406: query_builder_insert
0.010066032409667969: copy_from_insert

# 1M records
3.464181900024414: query_builder_insert
0.47070908546447754: copy_from_insert

# 10M records
38.96936798095703: query_builder_insert
5.955034017562866: copy_from_insert
4

3 回答 3

54

这里有许多因素在起作用：

  • 网络延迟和往返延迟
  • PostgreSQL 中的每条语句开销
  • 上下文切换和调度程序延迟
  • COMMIT成本，如果人们每次插入一次提交（你不是）
  • COPY- 批量加载的特定优化

网络延迟

如果服务器是远程的，您可能会“支付”每个语句的固定时间“价格”，例如 50 毫秒（1/20 秒）。或者对于一些云托管的数据库来说更多。由于在最后一个插入成功完成之前无法开始下一个插入，这意味着您的最大插入速率为每秒 1000/round-trip-latency-in-ms 行。延迟为 50 毫秒（“ping 时间”），即 20 行/秒。即使在本地服务器上，此延迟也不为零。WherasCOPY只是填充 TCP 发送和接收窗口，并以 DB 可以写入的速度和网络可以传输它们的速度流式传输行。它受延迟影响不大，并且可能在同一网络链接上每秒插入数千行。

PostgreSQL 中的每条语句成本

在 PostgreSQL 中解析、计划和执行语句也有成本。它必须锁定、打开关系文件、查找索引等。COPY在开始时尝试一次执行所有这些操作，然后只专注于尽可能快地加载行。

任务/上下文切换成本

由于操作系统必须在您的应用程序准备并发送它时在 postgres 等待行之间切换，然后您的应用程序在 postgres 处理该行时等待 postgres 的响应，因此需要支付更多的时间成本。每次从一个切换到另一个时，都会浪费一点时间。当进程进入和离开等待状态时，可能会浪费更多时间来暂停和恢复各种低级内核状态。

错过 COPY 优化

最重要的是，COPY它具有一些可用于某些负载的优化。例如，如果没有生成的键并且任何默认值都是常量，它可以预先计算它们并完全绕过执行程序，将数据快速加载到较低级别的表中，从而完全跳过 PostgreSQL 的部分正常工作。如果你CREATE TABLE或TRUNCATE在同一个事务中你COPY，它可以通过绕过多客户端数据库中所需的正常事务簿记来做更多的技巧来加快加载速度。

尽管如此，PostgreSQLCOPY仍然可以做更多的事情来加快速度，它还不知道该怎么做。如果您更改的表超过一定比例，它可以自动跳过索引更新然后重建索引。它可以批量进行索引更新。还有很多。

承担成本

最后要考虑的一件事是提交成本。这对您来说可能不是问题，因为psycopg2默认情况下打开事务并且在您告诉它之前不提交。除非你告诉它使用自动提交。但是对于许多数据库驱动程序来说，自动提交是默认设置。在这种情况下，您将为每个INSERT. 这意味着一次磁盘刷新，服务器确保将内存中的所有数据写入磁盘，并告诉磁盘将自己的缓存写入持久存储。这可能需要很长时间时间，并且根据硬件变化很大。我的基于 SSD 的 NVMe BTRFS 笔记本电脑每秒只能执行 200 次 fsync，而每秒只能执行 300,000 次非同步写入。所以它只会加载 200 行/秒！有些服务器每秒只能执行 50 个 fsync。有些可以做20,000。所以如果你必须定期提交，尝试批量加载和提交，做多行插入等。因为COPY最后只提交一次，提交成本可以忽略不计。但这也意味着COPY无法从数据中途的错误中恢复；它撤消了整个批量加载。

于 2017-10-13T02:37:30.713 回答
9

Copy 使用批量加载，这意味着它每次插入多行，而简单插入一次只插入一个，但是您可以使用 insert 插入多行，语法如下：

insert into table_name (column1, .., columnn) values (val1, ..valn), ..., (val1, ..valn)

有关使用批量加载的更多信息，请参阅Daniel Westermann 在 postgresql 中加载 1m 行的最快方法。

一次应该插入多少行的问题取决于行长，一个好的经验法则是每个插入语句插入 100 行。

于 2017-10-12T17:26:12.227 回答
3

在事务中执行 INSERT 以加快速度。

在没有事务的情况下在 bash 中进行测试：

>  time ( for((i=0;i<100000;i++)); do echo 'INSERT INTO testtable (value) VALUES ('$i');'; done ) | psql root | uniq -c
 100000 INSERT 0 1

real    0m15.257s
user    0m2.344s
sys     0m2.102s

并通过交易：

> time ( echo 'BEGIN;' && for((i=0;i<100000;i++)); do echo 'INSERT INTO testtable (value) VALUES ('$i');'; done && echo 'COMMIT;' ) | psql root | uniq -c
      1 BEGIN
 100000 INSERT 0 1
      1 COMMIT

real    0m7.933s
user    0m2.549s
sys     0m2.118s
于 2017-10-12T17:42:35.320 回答