提高MySQLdb加载数据文件的性能

Question

我有一个在InnoDB中大致定义如下的表：

create table `my_table` (
  `time` int(10) unsigned not null,
  `key1` int(10) unsigned not null,
  `key3` char(3) unsigned not null,
  `key2` char(2) unsigned not null,
  `value1` float default null,
  `value2` float default null,
  primary key (`key1`, `key2`, `key3`, `time`),
  key (`key3`, `key2`, `key1`, `time`)
) engine=InnoDB default character set ascii
partition by range(time) (
  partition start        values less than (0),
  partition from20180101 values less than (unix_timestamp('2018-02-01')),
  partition from20180201 values less than (unix_timestamp('2018-03-01')),
  ...,
  partition future       values less than MAX_VALUE
)

是的，列顺序与键顺序不匹配。

在Python中，我向一个DataFrame填充了500,000行（这可能不是最有效的方法，但是可以作为数据看起来像的一个示例）：

import random
import pandas as pd
key2_values = ["aaa", "bbb", ..., "ttt"]  # 20 distinct values
key3_values = ["aa", "ab", "ac", ..., "az", "bb", "bc", ..., "by"]  # 50 distinct values
df = pd.DataFrame([], columns=["key1", "key2", "key3", "value2", "value1"])
idx = 0
for x in range(0, 500):
    for y in range(0, 20):
        for z in range(0, 50):
            df.loc[idx] = [x, key2_values[y], key3_values[z], random.random(), random.random()]
            idx += 1
df.set_index(["key1", "key2", "key3"], inplace=True)

（实际上，此DataFrame是通过几个API调用和大量数学运算填充而成的，但最终结果是相同的：一个巨大的DataFrame，具有约500,000行和与InnoDB表匹配的键）

要将这个DataFrame导入表中，我目前正在执行以下操作：

import time
import MySQLdb
conn = MySQLdb.connect(local_infile=1, **connection_params)
cur = conn.cursor()
# Disable data integrity checks -- I know the data is good
cur.execute("SET foreign_key_checks=0;")
cur.execute("SET unique_checks=0;")
# Append current time to the DataFrame
df["time"] = time.time()
df.set_index(["time"], append=True, inplace=True)
# Sort data in primary key order
df.sort_index(inplace=True)
# Dump the data to a CSV
with open("dump.csv", "w") as csv:
    df.to_csv(csv)
# Load the data
cur.execute(
    """
        load data local infile 'dump.csv'
        into table `my_table`
        fields terminated by ','
        enclosed by '"'
        lines terminated by '\n'
        ignore 1 lines
        (`key1`, `key2`, `key3`, `time`, `value`)
    """
)
# Clean up
cur.execute("SET foreign_key_checks=1;")
cur.execute("SET unique_checks=1;")
conn.commit()

总的来说，这还不错。 我可以在2分钟内导入500,000行。 如果可能的话，我想让它更快。

有什么我想念的技巧或者我可以做些改变以将其降低到30-45秒吗？

一些注意事项：

• 我不知道是否对DataFrame中的列重新排序会影响性能。 当前，DataFrame中的列顺序与数据库不匹配
• 我不知道更改数据库中列的顺序以匹配主键的顺序是否会影响性能（目前，“时间”排在第一位，即使它是索引的第四位）
• 更改数据库配置可能很困难，因为我没有直接访问数据库服务器的权限。 我对已经存在的任何硬件和配置选项都感到困惑。 任何性能改进都必须来自我的Python代码
• 我可以更改表定义（包括更改分区），但是如果可能的话，我想避免这种情况，因为已经有大量的历史数据并将其复制到另一个表将花费很长时间。 丢失此数据是一种选择，但我宁愿避免
• 我不能使用set sql_log_bin=0; 因为我没有数据库SUPER权限

Answer 1

我已经进行了三项更改，并且我并没有停止衡量每次更改之间的效果，因此我不能100％确定每项更改的确切影响，但是我可以肯定地知道影响最大的是什么。

变更1（肯定会产生最大的影响）-修改后的主键

查看我的脚本的运行方式，您可以看到我批量插入的所有500k行的time值完全相同：

# Append current time to the DataFrame
df["time"] = time.time

通过将time放在主键的最左列，意味着我要插入的所有行都将聚集在一起，而不必在表中进行拆分。

当然，这样做的问题是它使索引对我最常见的查询无用：返回给定key1 ， key2和key3组合的所有“时间”（例如： SELECT * FROM my_table WHERE key1 = ... AND key2 = ... AND key3 = ... ）

为了解决这个问题，我必须添加另一个密钥：

PRIMARY KEY (`time`, `key1`, `key2`, `key3`),
KEY (`key1`, `key2`, `key3`)

变更2（可能有影响）-修改的列顺序

我调整了表，使列的顺序与主键的顺序（ time ， key1 ， key2 ， key3 ）匹配

我不知道这是否有效果，但可能有

变更3（可能会产生影响）-调整了CSV中的列顺序

我在DataFrame上运行了以下命令：

df.reindex(columns=["value1", "value2"], inplace=True)

这对列进行了排序，以匹配它们在数据库中出现的顺序。 在此更改与更改2之间，可以按原样导入行，而无需交换列的顺序。 我不知道这是否会对进口业绩产生影响

结果

通过这三个更改，我的导入时间从2分钟降低到了9秒！ 绝对不可思议

我担心向表中添加额外的键，因为额外的索引意味着更长的写入时间和更多的磁盘空间，但是效果几乎可以忽略不计-尤其是与正确地对键进行群集所节省的成本相比。