测评报告：文件导入哪家强？
文件导入哪家强？
引子
最近业务上遇到一个场景，需要将一个/多个文本文件导入到与其结构对应的表中。功能需求比较简单，大部分的关系数据库基本都支持这个功能。基于上面的场景把手头上的几款开源数据库和国产数据库的文件导入功能进行了性能对比。
摘要
本文将针对文件导入功能，在MySQL、PostgreSQL、达梦8、LvorySQL、openGauss、OceanBase六款数据库进行了对比测试。测试过程中使用相同的硬件环境和操作系统，且各数据库使用安装时的默认参数。
注意：
- 由于Oracle没有提供ARM相关的安装介质，所以本次测试并未对比Oracle的sqlldr；
- 所有被测数据库都未经过优化，全部使用默认参数；
测试环境
服务器
| CPU | Kunpeng-920 |
|---|---|
| Architecture | aarch64 |
| On-line CPU(s) list | 0-7 |
| CPU主频 | 2600MHz |
操作系统
NAME="openEuler"
VERSION="20.03 (LTS-SP2)"
ID="openEuler"
VERSION_ID="20.03"
PRETTY_NAME="openEuler 20.03 (LTS-SP2)"
ANSI_COLOR="0;31"
系统性能
- 以下是unixbench跑分，供对比参考
------------------------------------------------------------------------
Benchmark Run: Wed Dec 07 2022 15:48:16 - 15:57:14
8 CPUs in system; running 1 parallel copy of tests
Dhrystone 2 using register variables 40999324.8 lps (10.0 s, 2 samples)
Double-Precision Whetstone 4314.8 MWIPS (9.3 s, 2 samples)
Execl Throughput 3762.5 lps (29.8 s, 1 samples)
File Copy 1024 bufsize 2000 maxblocks 685100.0 KBps (30.0 s, 1 samples)
File Copy 256 bufsize 500 maxblocks 189282.0 KBps (30.0 s, 1 samples)
File Copy 4096 bufsize 8000 maxblocks 1992147.0 KBps (30.0 s, 1 samples)
Pipe Throughput 1231178.1 lps (10.0 s, 2 samples)
Pipe-based Context Switching 105636.0 lps (10.0 s, 2 samples)
Process Creation 8963.6 lps (30.0 s, 1 samples)
Shell Scripts (1 concurrent) 7087.6 lpm (60.0 s, 1 samples)
Shell Scripts (8 concurrent) 3055.4 lpm (60.0 s, 1 samples)
System Call Overhead 907956.1 lps (10.0 s, 2 samples)
System Benchmarks Index Values BASELINE RESULT INDEX
Dhrystone 2 using register variables 116700.0 40999324.8 3513.2
Double-Precision Whetstone 55.0 4314.8 784.5
Execl Throughput 43.0 3762.5 875.0
File Copy 1024 bufsize 2000 maxblocks 3960.0 685100.0 1730.1
File Copy 256 bufsize 500 maxblocks 1655.0 189282.0 1143.7
File Copy 4096 bufsize 8000 maxblocks 5800.0 1992147.0 3434.7
Pipe Throughput 12440.0 1231178.1 989.7
Pipe-based Context Switching 4000.0 105636.0 264.1
Process Creation 126.0 8963.6 711.4
Shell Scripts (1 concurrent) 42.4 7087.6 1671.6
Shell Scripts (8 concurrent) 6.0 3055.4 5092.4
System Call Overhead 15000.0 907956.1 605.3
========
System Benchmarks Index Score 1258.0
------------------------------------------------------------------------
Benchmark Run: Wed Dec 07 2022 15:57:14 - 16:06:18
8 CPUs in system; running 16 parallel copies of tests
Dhrystone 2 using register variables 326630138.1 lps (10.0 s, 2 samples)
Double-Precision Whetstone 35757.3 MWIPS (8.7 s, 2 samples)
Execl Throughput 23047.5 lps (29.7 s, 1 samples)
File Copy 1024 bufsize 2000 maxblocks 525702.0 KBps (30.0 s, 1 samples)
File Copy 256 bufsize 500 maxblocks 139688.0 KBps (30.0 s, 1 samples)
File Copy 4096 bufsize 8000 maxblocks 1834232.0 KBps (30.0 s, 1 samples)
Pipe Throughput 9754452.8 lps (10.0 s, 2 samples)
Pipe-based Context Switching 1181849.8 lps (10.0 s, 2 samples)
Process Creation 42295.7 lps (30.0 s, 1 samples)
Shell Scripts (1 concurrent) 32399.6 lpm (60.0 s, 1 samples)
Shell Scripts (8 concurrent) 4529.9 lpm (60.1 s, 1 samples)
System Call Overhead 3386402.8 lps (10.0 s, 2 samples)
System Benchmarks Index Values BASELINE RESULT INDEX
Dhrystone 2 using register variables 116700.0 326630138.1 27988.9
Double-Precision Whetstone 55.0 35757.3 6501.3
Execl Throughput 43.0 23047.5 5359.9
File Copy 1024 bufsize 2000 maxblocks 3960.0 525702.0 1327.5
File Copy 256 bufsize 500 maxblocks 1655.0 139688.0 844.0
File Copy 4096 bufsize 8000 maxblocks 5800.0 1834232.0 3162.5
Pipe Throughput 12440.0 9754452.8 7841.2
Pipe-based Context Switching 4000.0 1181849.8 2954.6
Process Creation 126.0 42295.7 3356.8
Shell Scripts (1 concurrent) 42.4 32399.6 7641.4
Shell Scripts (8 concurrent) 6.0 4529.9 7549.8
System Call Overhead 15000.0 3386402.8 2257.6
========
System Benchmarks Index Score 4252.8
数据准备
使用benchmarksql-5.0中的历史表作为被测表，建表脚本如下：
create table bmsql_history (
hist_id integer,
h_c_id integer,
h_c_d_id integer,
h_c_w_id integer,
h_d_id integer,
h_w_id integer,
h_date timestamp,
h_amount decimal(6,2),
h_data varchar(24)
);
测试数据生成脚本
根据字段类型写了一个生成测试数据的脚本，代码如下：
# -*- coding=utf-8 -*-
import csv
import random
import time
import string
# 创建列表，保存header内容
header_list = ["hist_id", "h_c_id", "h_c_d_id", "h_c_w_id", "h_d_id", "h_w_id", "h_date", "h_amount", "h_data"]
g_count = 0
def random_list(n):
data_list = []
global g_count
for i in range(n):
g_count = g_count + 1
l = [g_count,
random.randint(0,1000),
random.randint(0,1000),
random.randint(0,1000),
random.randint(0,1000),
random.randint(0,1000),
time.strftime("%Y-%m-%d %H:%M:%S", time.localtime()),
#random.randint(0,1000),
round(random.uniform(0, 9999.0), 2),
''.join(random.sample(string.ascii_letters + string.digits, 20))
]
data_list.append(l)
return data_list
# 以写方式打开文件。注意添加 newline=""，否则会在两行数据之间都插入一行空白。
with open("bmsql_history.csv", mode="w", encoding="utf-8", newline="") as f:
# 基于打开的文件，创建 csv.writer 实例
writer = csv.writer(f)
# 写入 header。
# writerow() 一次只能写入一行。
writer.writerow(header_list)
# 写入数据。
# writerows() 一次写入多行。
for i in range(10000):
writer.writerows(random_list(1000))
测试数据
执行脚本后会生成10000000行测试数据，具体如下图：
性能测试
PostgreSQL COPY
简介
COPY moves data between PostgreSQL tables and standard file-system files. COPY TO copies the contents of a table to a file, while COPY FROM copies data from a file to a table (appending the data to whatever is in the table already). COPY TO can also copy the results of a SELECT query.
If a column list is specified, COPY TO copies only the data in the specified columns to the file. For COPY FROM, each field in the file is inserted, in order, into the specified column. Table columns not specified in the COPY FROM column list will receive their default values.
COPY with a file name instructs the PostgreSQL server to directly read from or write to a file. The file must be accessible by the PostgreSQL user (the user ID the server runs as) and the name must be specified from the viewpoint of the server. When PROGRAM is specified, the server executes the given command and reads from the standard output of the program, or writes to the standard input of the program. The command must be specified from the viewpoint of the server, and be executable by the PostgreSQL user. When STDIN or STDOUT is specified, data is transmitted via the connection between the client and the server.
语法
Copy ::= COPY table_name [ ( column_name [, ...] ) ]
FROM { 'filename' | STDIN }
[ [ USING ] DELIMITERS 'delimiters' ]
[ WITHOUT ESCAPING ]
[ LOG ERRORS ]
[ REJECT LIMIT 'limit' ]
[ WITH ( option [, ...] ) ]
| copy_option
| TRANSFORM ( { column_name [ data_type ] [ AS transform_expr ] } [, ...] )
| FIXED FORMATTER ( { column_name( offset, length ) } [, ...] ) [ ( option [, ...] ) | copy_option [ ...] ] ;
测试
- PostgreSQL版本（编译安装）
postgres=# copy bmsql_history from '/home/postgres/bmsql_history.csv' delimiter ','
postgres-# ;
COPY 10000000
Time: 19829.354 ms (00:19.829)
耗时：约20s
IvorySQL COPY
简介
参考PostgreSQL简介。
语法
参考PostgreSQL简介。
测试
- IvorySQL版本（通过编译安装）
postgres=# copy bmsql_history from '/home/ivory/bmsql_history.csv' delimiter ',';
COPY 10000000
Time: 21108.218 ms (00:21.108)
耗时：约20s
openGauss COPY
简介
参考PostgreSQL简介。
语法
参考PostgreSQL简介。
测试
分别用编译安装和安装包安装了openGauss，测试结果基本一致。
编译安装openGauss
openGauss=# vacuum;
VACUUM
openGauss=# analyze;
ANALYZE
openGauss=# \timing
Timing is on.
openGauss=# copy bmsql_history from '/home/omm/bmsql_history.csv' delimiter ',';
COPY 10000000
Time: 112710.938 ms
openGauss=# select version();
version
------------------------------------------------------------------------------------------------------------------------------------------------------------
(openGauss 3.1.0 build 2586b083) compiled at 2022-11-28 15:46:36 commit 0 last mr debug on aarch64-unknown-linux-gnu, compiled by g++ (GCC) 7.3.0, 64-bit
(1 row)
安装包安装极简版
openGauss=# truncate bmsql_history;
TRUNCATE TABLE
openGauss=# \timing
Timing is on.
openGauss=# copy bmsql_history from '/home/omm/bmsql_history.csv' delimiter ',';
COPY 10000000
Time: 122703.615 ms
openGauss=# select version();
version
-------------------------------------------------------------------------------------------------------------------------------------------------------
(openGauss 3.1.0 build 4e931f9a) compiled at 2022-09-29 14:19:54 commit 0 last mr on aarch64-unknown-linux-gnu, compiled by g++ (GCC) 7.3.0, 64-bit
(1 row)
Time: 0.568 ms
耗时：约120s
MySQL LOAD
简介
- MySQL load data 语句能快速将一个文本文件的内容导入到对应的数据库表中（一般文本的一行对应表的一条记录）；
- 数据库应用程序开发中，涉及大批量数据需要插入时，使用 load data 语句的效率比一般的 insert 语句的高很多；
- 可以看成select … into outfile语句的反操作，select … into outfile将数据库表中的数据导出保存到一个文件中。参考MySQL 5.7 官方手册 ；
语法
LOAD DATA
[LOW_PRIORITY | CONCURRENT] [LOCAL]
INFILE 'file_name'
[REPLACE | IGNORE]
INTO TABLE tbl_name
[PARTITION (partition_name [, partition_name] ...)]
[CHARACTER SET charset_name]
[{FIELDS | COLUMNS}
[TERMINATED BY 'string']
[[OPTIONALLY] ENCLOSED BY 'char']
[ESCAPED BY 'char']
]
[LINES
[STARTING BY 'string']
[TERMINATED BY 'string']
]
[IGNORE number {LINES | ROWS}]
[(col_name_or_user_var
[, col_name_or_user_var] ...)]
[SET col_name={expr | DEFAULT},
[, col_name={expr | DEFAULT}] ...]
测试
-- LOAD DATA LOCAL INFILE '文件路径' INTO TABLE tableName FIELDS TERMINATED BY ',';
LOAD DATA LOCAL INFILE '/root/bmsql_history.csv' INTO TABLE bmsql_history FIELDS TERMINATED BY ',';
耗时：69.58s
DM8 dmfldr
简介
dmfldr（DM Fast Loader）是 DM 提供的快速数据装载命令行工具。用户通过使用dmfldr 工具能够把按照一定格式排序的文本数据以简单、快速、高效的方式载入到 DM 数据库中，或把 DM 数据库中的数据按照一定格式写入文本文件。
语法/参数说明
[dmdba@host-10-208-227-136 ~]$ dmfldr help
version: 03134283938-20221019-172201-20018
格式: ./dmfldr KEYWORD=value
例程: ./dmfldr SYSDBA/SYSDBA CONTROL='/opt/data/fldr.ctl'
USERID 必须是命令行中的第一个参数
字符串类型参数必须以引号封闭
关键字 说明（默认值）
--------------------------------------------------------------------------------
USERID 用户名/口令， 格式:{<username>[/<password>] | /}[@<connect_identifier>][<option>] [<os_auth>]
<connect_identifier> : [<svc_name> | host[:port] | <unixsocket_file>]
<option> : #{=[,=]...}
--此行外层{}是为了封装参数之用，书写时需要保留
<os_auth> : AS {SYSDBA|SYSSSO|SYSAUDITOR|USERS|AUTO}
CONTROL 控制文件，字符串类型
LOG 日志文件，字符串类型 (fldr.log)
BADFILE 错误数据记录文件，字符串类型 (fldr.bad)
SKIP 初始忽略逻辑行数 (0)
LOAD 需要装载的行数 (ALL)
ROWS 提交频次 (50000), DIRECT为FALSE有效
DIRECT 是否使用快速方式装载 (TRUE)
SET_IDENTITY 是否插入自增列 (FALSE)
SORTED 数据是否已按照聚集索引排序 (FALSE)
INDEX_OPTION 索引选项 (1)
1 不刷新二级索引，数据按照索引先排序，装载完后再
将排序的数据插入索引
2 不刷新二级索引，数据装载完成后重建所有二级索引
3 刷新二级索引, 数据装载的同时将数据插入二级索引
ERRORS 允许的最大数据错误数 (100)
CHARACTER_CODE 字符编码，字符串类型 (GBK, UTF-8, SINGLE_BYTE, EUC-KR)
MODE 装载方式，字符串类型 IN表示载入，OUT表示载出，
OUTORA表示载出ORACLE (IN)
CLIENT_LOB 大字段目录是否在本地 (FALSE)
LOB_DIRECTORY 大字段数据文件存放目录
LOB_FILE_NAME 大字段数据文件名称，仅导出有效 (dmfldr.lob)
BUFFER_NODE_SIZE 读入文件缓冲区的大小 (10),有效值范围1~2048
LOG_SIZE 日志信息缓冲区的大小 (1),有效值范围1~100
READ_ROWS 工作线程一次最大处理的行数 (100000)，最大支持2^26-10000
NULL_MODE 载入时NULL字符串是否处理为NULL
载出时空值是否处理为NULL字符串 (FALSE)
NULL_STR 载入时视为NULL值处理的字符串
SEND_NODE_NUMBER 运行时发送节点的个数 (20)，有效值范围16~65535
TASK_THREAD_NUMBER 处理用户数据的线程数目，默认与处理器核数量相同，有效值范围1~128
BLDR_NUM 服务器BLDR数目 (64),有效值范围1~1024
BDTA_SIZE bdta的大小 (5000)，有效值范围100~10000
COMPRESS_FLAG 是否压缩bdta (FALSE)
MPP_CLIENT MPP环境，是否本地分发 (TRUE)
SINGLE_FILE MPP/DPC环境，是否只生成单个数据文件(FALSE)
LAN_MODE MPP/DPC环境，是否以内网模式装载数据(FALSE)
UNREP_CHAR_MODE 非法字符处理选项(0),为0时表示跳过该数据行，为1时表示使用(*)替换错误字节
SILENT 是否静默方式装载数据(FALSE)
BLOB_TYPE BLOB类型字段数据值的实际类型，字符串类型 (HEX_CHAR)
HEX表示值为十六进制，HEX_CHAR表示值为十六进制字符类型
仅在direct=FALSE有效
OCI_DIRECTORY OCI动态库所在的目录
DATA 指定数据文件路径
ENABLE_CLASS_TYPE 允许用户导入CLASS类型数据 (FALSE)
FLUSH_FLAG 提交时是否立即刷盘 (FALSE)
IGNORE_BATCH_ERRORS 是否忽略错误数据继续导入 (FALSE)
SINGLE_HLDR_HP 是否使用单个HLDR装载HUGE水平分区表 (TRUE)
EP 指定需要发送数据的站点序号列表，仅向MPP/DPC环境导入数据时有效
PARALLEL 是否开启并行装载(FALSE)
SQL 使用自定义查询语句，仅导出模式有效
SQLFILE 自定义查询语句所在文件，仅导出模式有效
TABLE 导入/出表
ROW_SEPERATOR 行分隔符
FIELD_SEPERATOR 列分隔符
COMMIT_OPTION 提交选项(0), 0:每发送一批数据后提交, 1:发送完所有数据后提交
APPEND_OPTION 追加选项(0), 0: 追加方式, 1: 替代方式, 2: 插入方式
COLNAME_HEADING 是否在导出文件头中打印列名(FALSE)
IGNORE_AIMLESS_DATA 是否忽略无目标数据(FALSE)
LOB_AS_VARCHAR 是否将CLOB作为VARCHAR进行导入导出(FALSE)
LOB_AS_VARCHAR_SIZE 将CLOB作为VARCHAR进行导入导出时, lob数据最大大小(10)MB
LOG_LEVEL 记录错误数据信息级别(3), 0: 不记录 1: 只记录到log文件 2: 只记录到bad文件 3: 记录到log和bad文件
FLDR_INI 配置文件路径，字符串类型
RECONN 自动重连次数(0)
RECONN_TIME 自动重连等待时间(5), 单位(s), 有效值范围(1~10000)
WIDTH 设置列数据宽度
SEDF 被替换的字符列表
SEDT 用于替换的字符列表
ESCAPE 转义符
HELP 打印帮助信息
测试
- 控制文件test.ctrl
LOAD DATA
INFILE '/home/dmdba/bmsql_history.csv'
INTO TABLE bmsql_history
FIELDS ','
- 执行测试
[dmdba@host-10-208-227-136 ~]$ dmfldr userid=SYSDBA/SYSDBA@localhost:5236 control=\'/home/dmdba/test.ctrl\'
dmfldr V8
控制文件：
加载行数:全部
每次提交服务器行数:50000
跳过行数:0
允许错误数:100
是否直接加载:Yes
是否插入自增列:No
数据是否已按照聚集索引排序:No
字符集:UTF-8
数据文件共1个:
/home/dmdba/bmsql_history.csv
错误文件:fldr.bad
目标表:BMSQL_HISTORY
列名 包装数据类型 终止
HIST_ID CHARACTER ,
H_C_ID CHARACTER ,
H_C_D_ID CHARACTER ,
H_C_W_ID CHARACTER ,
H_D_ID CHARACTER ,
H_W_ID CHARACTER ,
H_DATE CHARACTER ,
H_AMOUNT CHARACTER ,
H_DATA CHARACTER ,
行缓冲区数量: 8
任务线程数量: 8
100000行记录已提交
200000行记录已提交
……
……
10000000行记录已提交
目标表:BMSQL_HISTORY
load success.
10000000 行加载成功。
0 行由于数据格式错误被丢弃。
0 行由于数据错误没有加载。
跳过的逻辑记录总数:0
读取的逻辑记录总数:10000000
拒绝的逻辑记录总数:0
6503.826(ms)已使用
耗时：6.504s
OceanBase LOAD
OceanBase使用的是4.0版本，单机部署。
简介
该语句用于从外部导入数据。
目前，OceanBase 数据库不支持 LOCAL INFILE 的语法加载数据文件。这是由于 OceanBase 是分布式数据库，读写数据由 Leader 节点进行，而 CSV 文件需要上传到 Leader 节点所在服务器才能加载，因此需要提供 NAS 文件系统进行文件存放。OceanBase 数据库中的 LOAD DATA 语句仅支持加载 OBServer 本地的输入文件。因此，用户需要在导入之前将文件拷贝到某台 OBServer 上。
LOAD DATA 目前可以对 CSV 格式的文本文件进行导入，整个导入的过程可以分为以下的流程：
- 解析文件：OceanBase 数据库会根据用户输入的文件名，读取文件中的数据，并且根据指定的并行度来决定并行或者串行解析输入文件中的数据。
- 分发数据：由于 OceanBase 是分布式数据库，各个分区的数据可能分布在各个不同的 OBServer，
LOAD DATA会对解析出来的数据进行计算，决定数据需要被发送到哪个 OBServer。 - 插入数据：当目标 OBServer 收到数据后，在本地执行
INSERT操作将数据插入到对应的分区当中。
要从外部文件导入数据，您需要具有 FILE 权限。
注意
使用
REPLACE或者IGNORE子句的情况下，如果并行度大于1，发生冲突的行最后插入的记录可能与串行执行的结果不同。如果需要严格保证冲突记录的插入结果，请不要指定该语句的并行度（或将并行度设置为1）。
语法
LOAD DATA
[/*+ parallel(N) load_batch_size(M)*/]
INFILE 'file_name'
[REPLACE | IGNORE]
INTO TABLE table_name
[{FIELDS | COLUMNS}
[TERMINATED BY 'string']
[[OPTIONALLY] ENCLOSED BY 'char']
[ESCAPED BY 'char']
]
[LINES
[STARTING BY 'string']
[TERMINATED BY 'string']
]
[IGNORE number {LINES | ROWS}]
[(column_name_var
[, column_name_var] ...)]
测试
obclient> SET GLOBAL secure_file_priv = ""
Query OK, 0 rows affected (0.03 sec)
obclinet> \q
Bye
注意：需要设置全局安全路径。如果不设置会报如下错误。
ERROR 1227 (42501): Access denied
为了避免执行超时需要设置超时时间；
在1000s的超时时间内，未完成测试，写入数据：1318700行。
性能对比
分类
以上六种数据库从原理上可以分为三类：
| 体系 | 数据库 | 版本 |
|---|---|---|
| MySQL体系 | MySQL | 10.3.9-MariaDB |
| OceanBase | 4.0.0 | |
| PostgreSQL体系 | PostgreSQL | 16devel |
| IvorySQL | 16devel （IvorySQL 3devel） | |
| openGauss | 3.1.0 | |
| 商用 | 达梦 | 20221019 |
| Oracle |
对比分析
注意：
由于OceanBase未能在规定可容忍的时间内完成测试
结论分析
| 数据库 | 分析 |
|---|---|
| 达梦 | 从结果看达梦性能表现最佳，dmfldr使用多线程并行导入，大大提升了数据导入的并行度。dmfldr与Oracle的sqlldr类似，功能很全面。 |
| PostgreSQL | 使用单线导入数据，CPU和IO资源消耗相对合理，与dmfldr单线程导入性的相当。 |
| IvorySQL | 基本和PostgreSQL性能一致。 |
| openGauss | 虽然openGauss对PostgreSQL的代码做了调整，但我理解大部分都是形式上的调整（C到C++），所以原以为应该也与PostgreSQL性能相当，但实际效果比较差。因为本次测试都是以默认参数进行测试，所以对于openGauss不太公平，主要原因是PostgreSQL默认shared_buffers 是128M，而openGauss默认shared_buffers是64M，这个是主要影响openGauss性能的原因。后续会出一篇文章调优openGauss的copy from性能。 |
| MySQL | 使用的是开源Mariadb，可能性能上和MySQL会有写差异。值得注意的是在命令行返回“导入成果”结果后，MySQL进程的CPU和IO仍然会持续较长时间（约1分钟）没有回落。 |
| OceanBase | 使用4.0.0版本进行测试，单机安装。在1000s超时时间内未返回结果。写入数据1318700行。 |
总结
以上针对某一特定功能（文件导入），对比了几种开源和国产数据库的性能。并不能说明数据库本身的性能和优劣。主要目的视为业务上有文件导入需求的场景提供一些数据上的参考。同时也欢迎大家针对该功能，对您感兴趣的数据库进行优化和测试。