Question

我正在开展一项研究项目，该项目要求我处理500,000多条记录的大型csv文件（~2-5 GB）。这些文件包含有关政府合同的信息（来自USASpending.gov）。到目前为止，我一直在使用PHP或Python脚本逐行攻击文件，解析它们，然后将信息插入相关表中。解析是中等复杂的。对于每条记录，脚本检查命名的实体是否已经在数据库中（使用字符串和正则表达式匹配的组合）;如果不是，它首先将实体添加到实体表中，然后继续解析记录的其余部分并将信息插入到适当的表中。实体列表超过100,000。

以下是尝试将每条记录与任何现有实体进行匹配的基本功能（类的一部分）：

private function _getOrg($data)
{
    // if name of organization is null, skip it
    if($data[44] == '') return null;

    // use each of the possible names to check if organization exists
    $names = array($data[44],$data[45],$data[46],$data[47]);

    // cycle through the names
    foreach($names as $name) {
        // check to see if there is actually an entry here
        if($name != '') {
            if(($org_id = $this->_parseOrg($name)) != null) {
                $this->update_org_meta($org_id,$data); // updates some information of existing entity based on record
                return $org_id;
            }
        }
    }

    return $this->_addOrg($data);
}

private function _parseOrg($name)
{
    // check to see if it matches any org names
    // db class function, performs simple "like" match
    $this->db->where('org_name',$name,'like');

    $result = $this->db->get('orgs');

    if(mysql_num_rows($result) == 1) {
        $row = mysql_fetch_object($result);
        return $row->org_id;
    }

    // check to see if matches any org aliases
    $this->db->where('org_alias_name',$name,'like');

    $result = $this->db->get('orgs_aliases');

    if(mysql_num_rows($result) == 1) {
        $row = mysql_fetch_object($result);
        return $row->org_id;
    }
    return null; // no matches, have to add new entity
 }

_addOrg函数将新实体的信息插入到数据库中，希望它能匹配后续记录。

问题在于：我只能获得这些脚本来解析大约10,000条记录/小时，考虑到大小，这意味着每个文件需要几天的时间。我的数据库结构的方式需要为每条记录更新几个不同的表，因为我正在编译多个外部数据集。因此，每条记录更新两个表，每个新实体更新三个表。我担心这会在MySQL服务器和我的脚本之间增加太多的延迟时间。

这是我的问题：有没有办法将文本文件导入临时MySQL表，然后使用内部MySQL函数（或PHP / Python包装器）来加速处理？

我在Mac OS 10.6上运行本地MySQL服务器。

Answer 1

使用加载数据infile 将文件加载到临时/临时表中，然后使用存储过程处理数据 - 不应超过1-2分钟最完全加载和处理数据。

您可能还会找到我感兴趣的其他一些答案：

Optimal MySQL settings for queries that deliver large amounts of data?

MySQL and NoSQL: Help me to choose the right one

How to avoid "Using temporary" in many-to-many queries?

60 million entries, select entries from a certain month. How to optimize database?

有趣的演讲：

http://www.mysqlperformanceblog.com/2011/03/18/video-the-innodb-storage-engine-for-mysql/

示例代码（可能对您有用）

truncate table staging;

start transaction;

load data infile 'your_data.dat' 
into table staging
fields terminated by ',' optionally enclosed by '"'
lines terminated by '\n'
(
org_name
...
)
set
org_name = nullif(org_name,'');

commit;

drop procedure if exists process_staging_data;

delimiter #

create procedure process_staging_data()
begin

    insert ignore into organisations (org_name) select distinct org_name from staging;

    update...

    etc.. 

    -- or use a cursor if you have to ??

end#

delimiter ;

call  process_staging_data();

希望这有帮助

Answer 2

听起来您从调优SQL查询中获益最多，这可能是您的脚本花费最多时间的地方。我不知道PHP MySQL客户端是如何执行的，但是用于Python的MySQLdb相当快。做天真的基准测试我可以轻松地在我的一个旧的四核上维持10k /秒的插入/选择查询。不是一个接一个SELECT来测试组织是否存在，而是使用REGEXP一次检查它们可能会更有效（在此讨论：MySQL LIKE IN()?）。 MySQLdb允许你使用executemany()同时进行多次插入，你几乎可以肯定地利用它，也许你的PHP客户端可以让你做同样的事情？

要考虑的另一件事是，使用Python，您可以使用multiprocessing并尽可能地尝试并行化。 PyMOTW has a good article about multiprocessing

在MySQL中导入和处理文本文件

2 个答案: