本文介绍了一种优化的大数据迁移方案，通过改进数据查询、批量插入和删除策略，显著提高了迁移效率，尤其适用于超过21亿条记录的超大规模数据迁移场景。
问题分析
经过几分钟的排查，数据库情况如下：
1、数据库采用Sqlserver 2008 R2，单表数据量21亿。
2、无水平或者垂直切分，但是采用了分区表。分区表策略是按时间降序分的区，将近30个分区。正因为分区表的原因，系统才保证了在性能不是太差的情况下坚持至今。
3、此表除聚集索引之外，无其他索引，无主键（主键其实是利用索引来快速查重的）。所以在频繁插入新数据的情况下，索引调整所耗费的性能比较低。
至于业务，不是太复杂。经过相关人员咨询，大约40%的请求为单条Insert，大约60%的请求为按class_id 和in_time（倒序）分页获取数据。Select请求全部命中聚集索引，所以性能非常高。这也是聚集索引之所以这样设计的目的。
解决问题
由于单表数据量已经超过21亿，并且2017年以前的数据几乎不影响业务，所以决定把2017年以前（不包括2017年）的数据迁移到新表，仅供以后特殊业务查询使用。经过查询大约有9亿数据量。
数据迁移工作包括三个步骤：
-
从源数据表查询出要迁移的数据；
-
把数据插入新表；
-
把旧表的数据删除。
传统做法
这里申明一点，就算是传统的做法也需要分页获取源数据，因为你的内存一次性装载不下9亿条数据。
1、从源数据表分页获取数据，具体分页条数，太少则查询原表太频繁，太多则查询太慢。
SQL语句类似于：
SELECT * FROM (
SELECT *,ROW_NUMBER() OVER(ORDER BY class_id,in_time) p FROM tablexx WHERE in_time <'2017.1.1'
) t WHERE t.p BETWEEN 1 AND 100
2、把查询出来的数据插入目标数据表，这里强调一点，一定不要用单条插入策略，必须用批量插入。
3、把数据删除，其实这里删除还是有一个小难点，表没有标示列。
如果你的数据量不大，以上方法完全没有问题，但是在9亿这个数字前面，以上方法显得心有余而力不足。一个字：慢，太慢，非常慢。可以大体算一下，假如每秒可以迁移1000条数据，大约需要的时间为：900000000/1000/60=15000分钟。
大约需要10天......
改进做法
以上的传统做法弊端在哪里呢？
1、在9亿数据前查询必须命中索引，首推聚集索引。
2、如果你了解索引的原理，你应该明白，不停插入新数据的时候，索引在不停地更新、调整，以保持树的平衡等特性。尤其是聚集索引影响甚大，因为还需要移动实际的数据。
提取以上两点共同的要素，那就是聚集索引。相应的解决方案也就应运而生：
-
按照聚集索分页引查询数据；
-
批量插入数据迎合聚集索引，即按照聚集索引的顺序批量插入；
-
按照聚集索引顺序批量删除。
由于做了表分区，如果有一种方式把2017年以前的分区直接在磁盘物理层面从当前表剥离，然后挂载到另外一个表，可算是神级操作。
如何挑战百万年薪的人工智能！
https://edu.youkuaiyun.com/topic/ai30?utm_source=csdn_bw
补充内容
1. 一个表的聚集索引的顺序就是实际数据文件的顺序，映射到磁盘上，本质上位于同一个磁道上，所以操作的时候磁盘的磁头不必跳跃着去操作。
2. 存储在硬盘中的每个文件都可分为两部分：文件头和存储数据的数据区。文件头用来记录文件名、文件属性、占用簇号等信息，文件头保存在一个簇并映射在FAT表（文件分配表）中。而真实的数据则是保存在数据区当中的。平常所做的删除，其实是修改文件头的前2个代码，这种修改映射在FAT表中，就为文件作了删除标记，并将文件所占簇号在FAT表中的登记项清零，表示释放空间，这也就是平常删除文件后，硬盘空间增大的原因。而真正的文件内容仍保存在数据区中，并未得以删除。要等到以后的数据写入，把此数据区覆盖掉，这样才算是彻底把原来的数据删除。如果不被后来保存的数据覆盖，它就不会从磁盘上抹掉。
NetCore 代码（实际运行代码）
1、第一步：由于聚集索引需要class_id ，所以宁可花2-4秒时间把要操作的class_id查询出来（ORM为dapper），并且升序排列：
DateTime dtMax = DateTime.Parse("2017.1.1");
var allClassId = DBProxy.GeSourcetLstClassId(dtMax)?.OrderBy(s=>s);
2、按照第一步class_id 列表顺序查询数据，每个class_id 分页获取，然后插入目标表，全部完成然后删除源表相应class_id的数据（全部命中聚集索引）：
D int pageIndex = 1; //页码
int pageCount = 20000;//每页的数据条数
DataTable tempData =null;
int successCount = 0;
foreach (var classId in allClassId)
{
tempData = null;
pageIndex = 1;
while (true)
{
int startIndex = (pageIndex - 1) * pageCount+1;
int endIndex = pageIndex * pageCount;
tempData = DBProxy.GetSourceDataByClassIdTable(dtMax, classId, startIndex, endIndex);
if (tempData == null || tempData.Rows.Count==0)
{
//最后一页无数据了，删除源数据源数据然后跳出
DBProxy.DeleteSourceClassData(dtMax, classId);
break;
}
else
{
DBProxy.AddTargetData(tempData);
}
pageIndex++;
}
successCount++;
Console.WriteLine($"班级:{classId} 完成,已经完成：{successCount}个");
}
DBProxy 完整代码：
class DBProxy
{
//获取要迁移的数据所有班级id
public static IEnumerable<int> GeSourcetLstClassId(DateTime dtMax)
{
var connection = Config.GetConnection(Config.SourceDBStr);
string Sql = @"SELECT class_id FROM tablexx WHERE in_time <@dtMax GROUP BY class_id ";
using (connection)
{
return connection.Query<int>(Sql, new { dtMax = dtMax }, commandType: System.Data.CommandType.Text);
}
}
public static DataTable GetSourceDataByClassIdTable(DateTime dtMax, int classId, int startIndex, int endIndex)
{
var connection = Config.GetConnection(Config.SourceDBStr);
string Sql = @" SELECT * FROM (
SELECT *,ROW_NUMBER() OVER(ORDER BY in_time desc) p FROM tablexx WHERE in_time <@dtMax AND class_id=@classId
) t WHERE t.p BETWEEN @startIndex AND @endIndex ";
using (connection)
{
DataTable table = new DataTable("MyTable");
var reader = connection.ExecuteReader(Sql, new { dtMax = dtMax, classId = classId, startIndex = startIndex, endIndex = endIndex }, commandType: System.Data.CommandType.Text);
table.Load(reader);
reader.Dispose();
return table;
}
}
public static int DeleteSourceClassData(DateTime dtMax, int classId)
{
var connection = Config.GetConnection(Config.SourceDBStr);
string Sql = @" delete from tablexx WHERE in_time <@dtMax AND class_id=@classId ";
using (connection)
{
return connection.Execute(Sql, new { dtMax = dtMax, classId = classId }, commandType: System.Data.CommandType.Text);
}
}
//SqlBulkCopy 批量添加数据
public static int AddTargetData(DataTable data)
{
var connection = Config.GetConnection(Config.TargetDBStr);
using (var sbc = new SqlBulkCopy(connection))
{
sbc.DestinationTableName = "tablexx_2017";
sbc.ColumnMappings.Add("class_id", "class_id");
sbc.ColumnMappings.Add("in_time", "in_time");
.
.
.
using (connection)
{
connection.Open();
sbc.WriteToServer(data);
}
}
return 1;
}
}
运行报告：
程序本机运行，开VPN连接远程DB服务器，运行1分钟，迁移的数据数据量为1915560，每秒约3万条数据，1915560 / 60=31926 条/秒。
CPU情况（不高）：
磁盘队列情况（不高）：
写在最后
在以下情况下速度还将提高：
-
源数据库和目标数据库硬盘为ssd，并且分别为不同的服务器；
-
迁移程序和数据库在同一个局域网，保障数据传输时候带宽不会成为瓶颈；
-
合理设置SqlBulkCopy参数；
-
大多数场景下每次批量插入的数据量达不到设置的值，因为有的class_id 对应的数据量就几十条，甚至几条而已，打开关闭数据库连接也是需要耗时的；
-
单纯的批量添加或者批量删除操作。
作者：菜菜，一个奔走在通往互联网更高之路的工程师，热衷于互联网技术。目前就职于某互联网教育公司，应用服务端主要负责人。拥有10年+互联网开发经验。热衷于高性能、高并发、分布式技术领域的研究。 主要工作语言为C#和Golang 。
声明：本文为作者投稿，版权归对方所有，编辑郭芮。
热 文 推 荐
虎口夺食! 打破Facebook谷歌垄断, MIT大神和他的区块链数据库传奇! |人物志
☞身为程序员的父母，你年薪多少才能让“码二代” 不输起跑线上？
System.out.println("点个在看吧！");
console.log("点个在看吧！");
print("点个在看吧！");
printf("点个在看吧！\n");
cout << "点个在看吧！" << endl;
Console.WriteLine("点个在看吧！");
Response.Write("点个在看吧！");
alert("点个在看吧！")
echo "点个在看吧！"
喜欢就点击“在看”吧！
扫一扫
1690
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
