JAVA使用jdbc流处理从mysql导入clickhouse

简述

最近开始又大数据统计分析，需要将亿级业务数据进行聚合查询统计，传统的关系型库(mysql)已经满足不了业务需求，经过精细的技术选型成本计算后，自建了一个单机(4c16g)的clickhouse。

效果

实现了一个占用内存不到400M，完美将亿级数据从mysql导到了clickhouse（流处理)

问题

建好DB后，接下来的数据导入是个难题。
开始准备使用阿里的datax导入，然后发现clickhouse write模块已经两年没更新了。

为了快速启动只能先试试用win服务器上的navicat直接导出成csv，然后用命令行导入数据。
两天后…我获得了一个10多个G的CSV，将他上传到clickhouse服务器，敲了下面指令

clickhouse-client --port=19101 --password ****** --input_format_allow_errors_ratio=0.0001 --date_time_input_format=best_effort --query="insert into db.table  format CSVWithNames"< CSV.csv

经过几分钟漫长等待后，导入成功~
正当欣喜之时，对比了一下两边数据，发现clickhouse少了几W数据
一下就难受了起来。
此时我知道最佳方式就只能来炒一个datax的模式来进行数据的导入了。

又不是不能用

在接触数据导入这块之前，用法从来就是老spring项目里的getJdbcTemplate().query()
然后进行一些数据处理，或是输出，或是写入到其他表（库）
再加上现在用mybatis用的多
所以第一时间就写了个分片select（mysql）Map再 insert （clickhouse）
所谓分片也就是 count出来后再进行limit 0,500000
然后就成功的触发数据库慢查询告警+JVM outofmemory~
再然后就limit 0,10000，这次没告警但是显然不是很好的解决方案。

解决方案

在翻阅大量文献资料google后，发现jdbc里有一个从来没用过的方法
jdbcTemplate.query()
query(PreparedStatementCreator psc, RowCallbackHandler rch)
它可以通过自定义statement，来流处理查询。
然后就是长达数小时的代码改造(下面是流处理时序图)

代码

因为涉及到跨实体库，所以首先得需要个proxy来兼容不同库的io操作
于是有了DSMethodProxy这个interface，下面分别对应两个数据源的实现

在这里面写了流处理实现streamHandleBySql(String sql, RowCallbackHandler rch)
入参是查询的sql和流处理的RowCallbackHandler匿名函数，具体代码如下

default void streamHandleBySql(String sql, RowCallbackHandler rch) {
    //获取对应实现的数据源进行查询
    DataSource ds = ContextUtils.getBean(DataSource.class);
    JdbcTemplate jdbcTemplate = new JdbcTemplate(ds);
    //流io
    jdbcTemplate.query(psc -> {
                PreparedStatement preparedStatement =
                        psc.prepareStatement(sql,
                                ResultSet.TYPE_FORWARD_ONLY,
                                ResultSet.CONCUR_READ_ONLY);
                preparedStatement.setFetchSize(Integer.MIN_VALUE);
                preparedStatement.setFetchDirection(ResultSet.FETCH_FORWARD);
                return preparedStatement;
            }, rch);
}

不难发现，这里已经将查询的部分写完了通过自定义statement的sql和fetchSize的设置，查询部分已经写完
接下来则是调用这个streamHandleBySql写入到clickhouse

private void streamReadWrite(Sync sync, String sql) {
    //通过来源数据源调用查询数据
    sync.getFromProxy().streamHandleBySql(sql, rs -> {
        ResultSetMetaData md = rs.getMetaData();
        int columnCount = md.getColumnCount();
        //批处理列表
        List<Map> list = new ArrayList<>();
        //逐行转换数据为MAP进行数据写入
        while (rs.next()) {
            Map<String, Object> rowData = new HashMap<>();
            //MetaData -> Map
            for (int i = 1; i <= columnCount; i++) {
                rowData.put(md.getColumnLabel(i).toLowerCase(), rs.getObject(i));
            }
            list.add(rowData);
            //批处理 当数据量达到NORMAL_INSERT_CHUNK_SIZE时进行写入操作并清空列表gc
            if (list.size() >= NORMAL_INSERT_CHUNK_SIZE) {
                write(sync, list);
                list = new ArrayList<>();
                System.gc();
            }
        }
        //最后一批写入
        write(sync, list);
    });
}

其中Sync对象里可以直接通过sync获取到来源和目标的数据源代理

DSMethodProxy fromProxy;
DSMethodProxy toProxy;

因为clickhouse写入和修改性能较差，所以需要一批一批的写入
当然这里也得考虑部署机器性能问题，单次缓存不宜太大
根据设置环境变量或者定量int NORMAL_INSERT_CHUNK_SIZE来确定每一批的大小
write里的代码就不放了
里面就是将list给写入到目标表里然后做一个断点记录，方便断点续传(各种意外导致的io中断outofmemory)
(绝对不是敏感数据懒得去除)

注意事项

有了上面这些代码，已经可以进行跨库数据导入，甚至可以进行一些简单的数据清洗
经过一些实践操作后总结一下注意事项

• 会产生长连接（一边读一边写，写的时候查询还没断）
• 需要数据库支持长连接（根据每批数据处理大小保持时间不定）
• 使用云库前记得关闭长SQL查询告警或者屏蔽部分sql（不然会一直告警）
• 小内存机器单批处理不建议超过1W（我自己单次执行2W）
• 配合limit分片多线程IO可以不用流处理…很快（源表不会产生数据变动的情况下，否则等于白干）
• 源表不会产生数据变动的情况下可以用limit分片+流处理…更快

以上仅供参考