关于GDS并行导入
INSERT和COPY方式执行数据导入时,是一个串行执行的过程,导入性能低,因此适用于小数据量的导入。对于大数据量的导入,GaussDB(DWS)支持使用GDS工具通过外表并行导入数据到集群。
当前版本的GDS已经支持从管道文件导入数据库,该功能使GDS的导入更加灵活多变。
- 当GDS用户的本地磁盘空间不足时:
- 可直接将hdfs上的数据写入到管道文件而不需要占用额外的磁盘空间。
- 当用户导入前需要清洗数据时:
- 用户可以根据自己的需求编写程序,将需要处理的数据流式实时的写入管道文件,完成导入的数据清洗工作。
- 当前版本暂不支持SSL模式下GDS导入,请勿以SSL方式使用GDS。
- 本章涉及的所有管道文件都是指linux上的命名管道。
概述
并行导入将存储在服务器普通文件系统中的数据导入到GaussDB(DWS)数据库中。暂时不支持将存储在HDFS文件系统上的数据导入GaussDB(DWS)。
并行导入功能通过外表设置的导入策略、导入数据格式等信息来识别数据源文件,利用多DN并行的方式,将数据从数据源文件导入到数据库中,从而提高整体导入性能。如图1所示:
- CN只负责任务的规划及下发,把数据导入的工作交给了DN,释放了CN的资源,使其有能力处理其他外部请求。
- 所有DN都参与数据导入,这样可以充分利用各设备的计算能力及网络带宽,提升导入效率。
上图中所涉及的相关概念说明如下:
- CN(Coordinator):GaussDB(DWS)协调节点。在导入场景下,接收到应用或客户端的导入SQL指令后,负责任务的规划及下发到DN。
- DN(Datanode):GaussDB(DWS)数据节点。接收CN下发的导入任务,将数据源文件中的数据通过外表写入数据库目标表中。
- 数据源文件:存有数据的文件。文件中保存的是待导入数据库的数据。
- 数据服务器:数据源文件所在的服务器称为数据服务器。基于安全考虑,建议数据服务器和GaussDB(DWS)集群处于同一内网。
- 外表Foreign Table:用于识别数据源文件的位置、文件格式、存放位置、编码格式、数据间的分隔符等信息。是关联数据文件与数据库实表(目标表)的对象。
- 目标表:数据库中的实表。数据源文件中的数据最终导入到这些表中存储,包括行存表和列存表。
GDS并发导入
- 数据量大,数据存储在多个服务器上时,在每个数据服务器上安装配置、启动GDS后,各服务器上的数据可以并行入库。如图2所示。
GDS进程数目不能超过DN数目。如果超过,会出现一个DN连接多个GDS进程的情形,可能会导致部分GDS异常运行。
- 数据存储在一台数据服务器上时,如果GaussDB(DWS)及数据服务器上的I/O资源均还有可利用空间时,可以采用GDS多线程来支持并发导入。
GDS是根据导入事务并发数来决定服务运行线程数的。也就是说即使启动GDS时设置了多线程,也并不会加速单个导入事务。未做过人为事务处理时,一条INSERT语句就是一个导入事务。
综上,多线程的使用场景如下:
导入流程
![](https://support.huaweicloud.com/intl/zh-cn/eu-west-0-devg-dws/figure/zh-cn_image_0000001145895199.png)
流程 |
说明 |
---|---|
准备源数据。 |
准备需要导入数据库的源数据文件,并上传至数据服务器。 详细内容请参见准备源数据。 |
启动GDS。 |
在数据服务器上安装配置并启动GDS。 详细内容请参见安装配置和启动GDS。 |
创建外表。 |
创建外表用于识别数据源文件中的数据。外表中保存了数据源文件的位置、文件格式、存放位置、编码格式、数据间的分隔符等信息。 详细内容请参见创建GDS外表。 |
执行导入数据。 |
在创建好外表后,通过INSERT语句,将数据快速、高效地导入到目标表中。详细内容请参见执行导入数据。 |
处理错误表。 |
在数据并行导入发生错误时,请根据具体的错误信息进行处理,以保证导入数据的完整性。 详细内容请参见处理错误表。 |
优化查询效率。 |
导入数据后,通过ANALYZE语句生成表统计信息。ANALYZE语句会将统计结果自动存储在系统表PG_STATISTIC中。执行计划生成器会使用这些统计数据,以生成最有效的查询执行计划。 |
停止GDS |
待数据导入完成后,登录每台数据服务器,分别停止GDS。 GDS的停止请参见停止GDS。 |