Python实现 多进程导入CSV数据到 MySQL


Posted in Python onFebruary 26, 2017

前段时间帮同事处理了一个把 CSV 数据导入到 MySQL 的需求。两个很大的 CSV 文件, 分别有 3GB、2100 万条记录和 7GB、3500 万条记录。对于这个量级的数据,用简单的单进程/单线程导入 会耗时很久,最终用了多进程的方式来实现。具体过程不赘述,记录一下几个要点:

  1. 批量插入而不是逐条插入
  2. 为了加快插入速度,先不要建索引
  3. 生产者和消费者模型,主进程读文件,多个 worker 进程执行插入
  4. 注意控制 worker 的数量,避免对 MySQL 造成太大的压力
  5. 注意处理脏数据导致的异常
  6. 原始数据是 GBK 编码,所以还要注意转换成 UTF-8
  7. 用 click 封装命令行工具

具体的代码实现如下:

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import codecs
import csv
import logging
import multiprocessing
import os
import warnings

import click
import MySQLdb
import sqlalchemy

warnings.filterwarnings('ignore', category=MySQLdb.Warning)

# 批量插入的记录数量
BATCH = 5000

DB_URI = 'mysql://root@localhost:3306/example?charset=utf8'

engine = sqlalchemy.create_engine(DB_URI)


def get_table_cols(table):
  sql = 'SELECT * FROM `{table}` LIMIT 0'.format(table=table)
  res = engine.execute(sql)
  return res.keys()


def insert_many(table, cols, rows, cursor):
  sql = 'INSERT INTO `{table}` ({cols}) VALUES ({marks})'.format(
      table=table,
      cols=', '.join(cols),
      marks=', '.join(['%s'] * len(cols)))
  cursor.execute(sql, *rows)
  logging.info('process %s inserted %s rows into table %s', os.getpid(), len(rows), table)


def insert_worker(table, cols, queue):
  rows = []
  # 每个子进程创建自己的 engine 对象
  cursor = sqlalchemy.create_engine(DB_URI)
  while True:
    row = queue.get()
    if row is None:
      if rows:
        insert_many(table, cols, rows, cursor)
      break

    rows.append(row)
    if len(rows) == BATCH:
      insert_many(table, cols, rows, cursor)
      rows = []


def insert_parallel(table, reader, w=10):
  cols = get_table_cols(table)

  # 数据队列,主进程读文件并往里写数据,worker 进程从队列读数据
  # 注意一下控制队列的大小,避免消费太慢导致堆积太多数据,占用过多内存
  queue = multiprocessing.Queue(maxsize=w*BATCH*2)
  workers = []
  for i in range(w):
    p = multiprocessing.Process(target=insert_worker, args=(table, cols, queue))
    p.start()
    workers.append(p)
    logging.info('starting # %s worker process, pid: %s...', i + 1, p.pid)

  dirty_data_file = './{}_dirty_rows.csv'.format(table)
  xf = open(dirty_data_file, 'w')
  writer = csv.writer(xf, delimiter=reader.dialect.delimiter)

  for line in reader:
    # 记录并跳过脏数据: 键值数量不一致
    if len(line) != len(cols):
      writer.writerow(line)
      continue

    # 把 None 值替换为 'NULL'
    clean_line = [None if x == 'NULL' else x for x in line]

    # 往队列里写数据
    queue.put(tuple(clean_line))
    if reader.line_num % 500000 == 0:
      logging.info('put %s tasks into queue.', reader.line_num)

  xf.close()

  # 给每个 worker 发送任务结束的信号
  logging.info('send close signal to worker processes')
  for i in range(w):
    queue.put(None)

  for p in workers:
    p.join()


def convert_file_to_utf8(f, rv_file=None):
  if not rv_file:
    name, ext = os.path.splitext(f)
    if isinstance(name, unicode):
      name = name.encode('utf8')
    rv_file = '{}_utf8{}'.format(name, ext)
  logging.info('start to process file %s', f)
  with open(f) as infd:
    with open(rv_file, 'w') as outfd:
      lines = []
      loop = 0
      chunck = 200000
      first_line = infd.readline().strip(codecs.BOM_UTF8).strip() + '\n'
      lines.append(first_line)
      for line in infd:
        clean_line = line.decode('gb18030').encode('utf8')
        clean_line = clean_line.rstrip() + '\n'
        lines.append(clean_line)
        if len(lines) == chunck:
          outfd.writelines(lines)
          lines = []
          loop += 1
          logging.info('processed %s lines.', loop * chunck)

      outfd.writelines(lines)
      logging.info('processed %s lines.', loop * chunck + len(lines))


@click.group()
def cli():
  logging.basicConfig(level=logging.INFO,
            format='%(asctime)s - %(levelname)s - %(name)s - %(message)s')


@cli.command('gbk_to_utf8')
@click.argument('f')
def convert_gbk_to_utf8(f):
  convert_file_to_utf8(f)


@cli.command('load')
@click.option('-t', '--table', required=True, help='表名')
@click.option('-i', '--filename', required=True, help='输入文件')
@click.option('-w', '--workers', default=10, help='worker 数量,默认 10')
def load_fac_day_pro_nos_sal_table(table, filename, workers):
  with open(filename) as fd:
    fd.readline()  # skip header
    reader = csv.reader(fd)
    insert_parallel(table, reader, w=workers)


if __name__ == '__main__':
  cli()

以上就是本文给大家分享的全部没人了,希望大家能够喜欢

Python 相关文章推荐
python文件和目录操作方法大全(含实例)
Mar 12 Python
Python使用Pycrypto库进行RSA加密的方法详解
Jun 06 Python
Mac中升级Python2.7到Python3.5步骤详解
Apr 27 Python
Python数据类型之Dict字典实例详解
May 07 Python
Python中*args和**kwargs的区别详解
Sep 17 Python
使用python将最新的测试报告以附件的形式发到指定邮箱
Sep 20 Python
python实现通过队列完成进程间的多任务功能示例
Oct 28 Python
python 并发下载器实现方法示例
Nov 22 Python
Python基础之字典常见操作经典实例详解
Feb 26 Python
Pycharm+Python工程,引用子模块的实现
Mar 09 Python
Python3利用openpyxl读写Excel文件的方法实例
Feb 03 Python
Python基础教程,Python入门教程(超详细)
Jun 24 Python
python检查URL是否正常访问的小技巧
Feb 25 #Python
python解析基于xml格式的日志文件
Feb 25 #Python
Python中防止sql注入的方法详解
Feb 25 #Python
Python 数据结构之旋转链表
Feb 25 #Python
Python数据结构之翻转链表
Feb 25 #Python
浅析python中SQLAlchemy排序的一个坑
Feb 24 #Python
python函数的5种参数详解
Feb 24 #Python
You might like
php上的memcache和memcached两个pecl库
2010/03/29 PHP
php中require和require_once的区别说明
2014/02/27 PHP
php 文件下载 出现下载文件内容乱码损坏的解决方法(推荐)
2016/11/16 PHP
php解析mht文件转换成html的实例
2017/03/13 PHP
浅析PHP数据导出知识点
2018/02/17 PHP
AngularJS内置指令
2015/02/04 Javascript
JavaScript中操作Mysql数据库实例
2015/04/02 Javascript
利用原生js和jQuery实现单选框的勾选和取消操作的方法
2016/09/04 Javascript
JS实现禁止鼠标右键的功能
2016/10/15 Javascript
JS移动端/H5同时选择多张图片上传并使用canvas压缩图片
2017/06/20 Javascript
javascript自定义事件功能与用法实例分析
2017/11/08 Javascript
angular2系列之路由转场动画的示例代码
2017/11/09 Javascript
JS实现十字坐标跟随鼠标效果
2017/12/25 Javascript
使用vue-cli打包过程中的步骤以及问题的解决
2018/05/08 Javascript
用Node提供静态文件服务的方法
2018/07/06 Javascript
Vue瀑布流插件的使用示例
2018/09/19 Javascript
Vue入门之数量加减运算操作示例
2018/12/11 Javascript
详解Vue之父子组件传值
2019/04/01 Javascript
vue 实现input表单元素的disabled示例
2019/10/28 Javascript
vue实现修改图片后实时更新
2019/11/14 Javascript
JS自定义对象创建与简单使用方法示例
2020/01/15 Javascript
原生JavaScript实现五子棋游戏
2020/11/09 Javascript
Python 登录网站详解及实例
2017/04/11 Python
Python使用matplotlib绘制多个图形单独显示的方法示例
2018/03/14 Python
Django项目中包含多个应用时对url的配置方法
2018/05/30 Python
python实现网页自动签到功能
2019/01/21 Python
python钉钉机器人运维脚本监控实例
2019/02/20 Python
pip安装python库的方法总结
2019/08/02 Python
Pytorch卷积层手动初始化权值的实例
2019/08/17 Python
如何用python实现一个HTTP连接池
2021/01/14 Python
用python批量移动文件
2021/01/14 Python
银行工作检查书范文
2014/01/31 职场文书
节约每一滴水演讲稿
2014/09/09 职场文书
2015年乡镇统计工作总结
2015/04/22 职场文书
2015年计划生育责任书
2015/05/08 职场文书
tomcat的catalina.out日志按自定义时间格式进行分割的操作方法
2022/04/02 Servers