Question

我有一个Django 1.1应用程序需要每天从一些大的json文件导入数据。提出一个想法，其中一个文件超过100 Mb，并有90K条目导入Postgresql数据库。

我遇到的问题是导入数据需要很长时间，即数小时。我原以为将数量的条目写入数据库会花费一些时间，但肯定不会那么长，这让我觉得我在做一些内在错误的事情。我已经阅读了类似的stackexchange问题，并且建议的解决方案建议使用transaction.commit_manually或transaction.commit_on_success装饰器批量提交，而不是每次.save()提交，我已经在做了。

正如我所说，我想知道我做错了什么（例如批量提交太大了？太多的外键？......），或者我是否应该放弃Django模型功能和直接使用DB API。有什么想法或建议吗？

以下是我在导入数据时要处理的基本模型（为了简单起见，我删除了原始代码中的一些字段）

class Template(models.Model):
    template_name = models.TextField(_("Name"), max_length=70)
    sourcepackage = models.TextField(_("Source package"), max_length=70)
    translation_domain = models.TextField(_("Domain"), max_length=70)
    total = models.IntegerField(_("Total"))
    enabled = models.BooleanField(_("Enabled"))
    priority = models.IntegerField(_("Priority"))
    release = models.ForeignKey(Release) 

class Translation(models.Model):
    release = models.ForeignKey(Release)
    template = models.ForeignKey(Template)
    language = models.ForeignKey(Language)
    translated = models.IntegerField(_("Translated"))

这里的代码似乎需要很长时间才能完成：

@transaction.commit_manually
def add_translations(translation_data, lp_translation):

    releases = Release.objects.all()

    # There are 5 releases
    for release in releases:

        # translation_data has about 90K entries
        # this is the part that takes a long time
        for lp_translation in translation_data:
            try:
                language = Language.objects.get(
                    code=lp_translation['language'])
            except Language.DoesNotExist:
                continue

            translation = Translation(
                template=Template.objects.get(
                            sourcepackage=lp_translation['sourcepackage'],
                            template_name=lp_translation['template_name'],
                            translation_domain=\
                                lp_translation['translation_domain'],
                            release=release),
                translated=lp_translation['translated'],
                language=language,
                release=release,
                )

            translation.save()

        # I realize I should commit every n entries
        transaction.commit()

        # I've also got another bit of code to fill in some data I'm
        # not getting from the json files

        # Add missing templates
        languages = Language.objects.filter(visible=True)
        languages_total = len(languages)

        for language in languages:
            templates = Template.objects.filter(release=release)

            for template in templates:
                try:
                    translation = Translation.objects.get(
                                    template=template,
                                    language=language,
                                    release=release)
                except Translation.DoesNotExist:
                    translation = Translation(template=template,
                                              language=language,
                                              release=release,
                                              translated=0,
                                              untranslated=0)
                    translation.save()

            transaction.commit()

Answer 1

通过您的应用并处理每一行很多将数据直接加载到服务器上。即使使用优化的代码。此外，一次插入/更新一行很多再次比一次处理更慢。

如果导入文件在服务器本地可用，则可以使用COPY。否则，您可以在标准接口psql中使用元命令\copy。您提到JSON，为此，您必须将数据转换为合适的平面格式，如CSV。

如果您只想向表中添加新行：

COPY tbl FROM '/absolute/path/to/file' FORMAT csv;

或者如果要插入/更新某些行：

首先关闭：为temp_buffers使用足够的RAM（至少暂时，如果可以的话），这样就不必将临时表写入磁盘。请注意，必须在访问此会话中的任何临时表之前完成此操作。

SET LOCAL temp_buffers='128MB';

内存表示比on.disc表示数据需要更多的空间。因此，对于100 MB的JSON文件..减去JSON开销，加上一些Postgres开销，128 MB可能或可能不够。但你不必猜测，只需进行测试并测量它：

select pg_size_pretty(pg_total_relation_size('tmp_x'));

创建临时表：

CREATE TEMP TABLE tmp_x (id int, val_a int, val_b text);

或者，只是复制现有表的结构：

CREATE TEMP TABLE tmp_x AS SELECT * FROM tbl LIMIT 0;

复制值（应该秒，而不是几小时）：

COPY tmp_x FROM '/absolute/path/to/file' FORMAT csv;

从那里INSERT / UPDATE与普通的旧SQL。在计划复杂查询时，您甚至可能希望在临时表上添加索引或两个并运行ANALYZE：

ANALYZE tmp_x;

例如，要更新由id匹配的现有行：

UPDATE tbl
SET    col_a = tmp_x.col_a
USING  tmp_x
WHERE  tbl.id = tmp_x.id;

最后，删除临时表：

DROP TABLE tmp_x;

或者在会话结束时自动删除。

在Django中优化Postgresql数据库写入的性能？

1 个答案: