更新时间:2024-11-05 GMT+08:00
执行导入数据
完成GDS的安装部署及外表创建后,本节介绍如何在GaussDB(DWS)数据库中创建事实表并将数据导入事实表中。
对于记录数超过千万条的表,建议在执行全量数据导入前,先导入部分数据,以进行数据倾斜检查和调整分布列,避免导入大量数据后发现数据倾斜,调整成本高。
前提条件
GDS服务器和GaussDB(DWS)集群之间网络可以互通。
- 需要创建一个弹性云服务器作为GDS服务器。
- 创建的弹性云服务器与GaussDB(DWS)集群应处于同一区域、同一虚拟私有云和子网。
操作步骤
- 在GaussDB(DWS)中创建目标表,用于存储导入的数据。建表语句请参见CREATE TABLE。
- (可选)若导入表存在索引,在数据导入过程中,将增量更新索引信息,影响数据导入性能。建议在执行数据导入前,先删除相关表的索引,但是如果不能保证数据唯一性不建议删除唯一索引。在数据导入完成后,再重新创建索引。
- 假定在导入表“product_info”上的“product_id”字段上存在普通索引“product_idx”。在执行数据导入前,请先删除相关索引。
1
DROP INDEX product_idx;
- 在数据导入完成后,重建索引。
1
CREATE INDEX product_idx ON product_info(product_id);
- 假定在导入表“product_info”上的“product_id”字段上存在普通索引“product_idx”。在执行数据导入前,请先删除相关索引。
- 执行数据导入。
1
INSERT INTO [目标表名] SELECT * FROM [foreign table 表名];
- 如果执行过程中出现数据加载错误,则数据全部导入失败,没有数据导入至目标表中。
- 编写批处理任务脚本,实现并发批量导入数据。并发量视机器资源使用情况而定。可通过几个表测试,监控资源利用率,根据结果提高或减少并发量。常用资源监控命令有:内存和CPU监控top命令,IO监控命令iostat,网络监控命令sar等。相关案例请参见多线程导入。
- 在资源许可的情况下,多台GDS服务器并发导入会很大程度上提高数据导入效率。相关案例请参见多数据服务器并行导入。
- 对于高并发的GDS导入场景,为了保持GDS和DN间的数据连接稳定,可以将GDS服务器环境和DN所在环境的TCP Keepalive检测时间增长(推荐增长至5分钟)。调整集群环境的TCP Keepalive参数会影响故障检测的响应时间。
任务示例
- 创建一个名为reasons的目标表。
1 2 3 4 5 6 7
CREATE TABLE reasons ( r_reason_sk integer not null, r_reason_id char(16) not null, r_reason_desc char(100) ) DISTRIBUTE BY HASH (r_reason_sk);
- 在执行数据导入前,先删除相关表的索引。
- 将数据源文件中的数据通过外表“foreign_tpcds_reasons”导入到表“reasons”中。
1
INSERT INTO reasons SELECT * FROM foreign_tpcds_reasons ;
- 在数据导入完成后,再重新创建索引。
1
CREATE INDEX reasons_idx ON reasons(r_reasons_id);
父主题: 使用GDS从远端服务器导入数据