对DB2数据库进行大数据操作总结

最近有需求是需要将一个近1200万数据量的del文件导入我们的数据库，并且这个文件的结构与我们的库中的正式表结构不同，并且有重复数据，所以需要先进行去重操作再插入到 正式表中！ 之前没做过大数据处理，这件吃了不少苦头算是基本解决了难题，现在记录下来；

首先这del文件中没有包含主键，所以我只能创建一个与之结构一样的中间表，用工具先将其上传至服务器，然后用xshell连接数据库所在的服务器，再连接到db2数据库，用命令： db2 "load from /home/wlth.txt of del insert into UWP_CUST.T_CRM_START" 导入到中间表中，这速度是真的快，几秒就倒进去了！

然后需要将之重复数据去掉，由于没有主键，并且是由两列来区分一个唯一数据，查了一下大概有10万的重复数据，刚开始用常规的group by 做，结果一条sql硬是执行了一个多小时，最后执行到报错回滚都没去掉重。。。 然后想想办法，，增加了一列临时列temp，然后将那两列拼成 字符串 复制到这临时列中，然后对此临时列 创建索引， 之后再对此临时列用group by 做分组去重，这一下子速度就起飞了，去掉重只花了2分钟

然后就需要导入表中了，，我用的是 insert into select ，都说这比传统的插入快，但是却不知道实际效率有多快，我以为会和之前导入一样就几秒钟，结果让我失败了，，，一条SQL执行几分钟之后就报了日志被填满的异常，也就是一个事务太大了就会出现这个问题，之后将自动提交关掉，用 ALTER TABLE UWP_CUST.T_CRM_START ACTIVATE NOT LOGGED INITIALLY 语句将这张表日志关掉，再往里面插，结果插了一个小时都没查完，然后   界面上只能看到当前执行了多长时间，，，也不知道进度如何，，然后一不小心网断了，然后失败，由于处于一个事务所以导致一条数据都没插进去，之后我讲的想办法，尽量减小事务的大小，要是能看到导入的进度就好了，，所以我决定用jdbc 做，，不在数据库工具中导入了，，， 之后写Java代码，，，用循环分页的方法，，分批次导入，并且记录每批次导入用时，这样正好 满足了 既能知道当前导入的进度，又能减小事务的大小，，还能控制在发生异常时，从失败的地方开始导入数据，节省时间！  

最终我以5万条作为一个批次插入，大约每批次花费50秒，，插了N个小时插了进去，，哈哈，算是成功完成了任务，，