生成大表数据优化建议

[zer0fire]

问下大佬, 要用 java 通过逻辑运算生成一张表格(数据量大概 10 亿), 后面需要对该表格做统计分析, 有没有好的建议

配置: 系统: windows10 内存: 20G cpu: i710 代 硬盘: 5900rpm 写入 10m/s

目前的做法是如下:

1. 生成期间尽可能不查询数据库在内存中做过滤等处理(有 5 个 for 循环, 还是不可避免调用了 4 次数据库查询 + 1 次数据库插入), 在存到 mysql
2. 使用并行开了 128 个线程去处理
3. mysql 连接数设置到 150

目前情况:

1. cpu 使用 10%不到
2. 内存使用不到 3G
3. 硬盘平均写入 3m/s

由于数据后期需要做很多类似 count, sum 之类的运算 es, map reduce 可能不适合,

能想到的优化方案:

1. 考虑 mysql 放到 ssd 盘中
2. 增加线程数

[ihehe]

把这 10 亿数据生成 parquet 格式，丢到本地文件大概 10g 以内， 找个 mmp 工具，单机版的就够用，10g 内存 sql 撸几次就可以了，结果存文件，这不就随便唆嘛

[ihehe]

更正：mmp --> mpp

[Itoktsnhc]

这个场景 clickhouse 不是挺好

[zer0fire]

@ihehe 原先 mysql 要查询的数据表就有 1 亿多条记录, 如何转成 parquet 格式(mysqsl->Hadoop), 内存 sql, 是让我使用内存数据库吗?

[zer0fire]

@Itoktsnhc clickhouse 这个只有 Linux 系统的版本, windows 系统要使用得用 docker

[ihehe]

写个程序把 mysql 数据读出来，生成 parquet 格式，就 1 亿条，上面的方案看错了，看成 10 亿，1 亿 条转成 parquet 大概 1g 大小以内；那就不用那么麻烦，你这单机丢到 duckdb 里去， 然后撸 sql 把

[zer0fire]

@ihehe 这里面的优化思路是在把数据全放到内存中, 在内存中做 sql 查询对吧?

[ihehe]

@zer0fire 可以这么理解吧，前提是转好格式，提升几十倍的扫描速度，减少 10 多倍的数据大小，你可以试试单机的 spark/ flink/drill/presto 都可以直接扫文件，不用先导成表

[liprais]

生成文件 load 完事
另外为啥你要用 java 生成...随便找个 spark 都快得很好吧

[zer0fire]

@ihehe mysql 支持 memory 引擎, 我把表换成用这个引擎, 是不是也能到达同样的效果(确实可以不考虑事务方面的问题)

[zer0fire]

@liprais 因为数据是从一张表取出来做逻辑处理, 在存到另一张表的

[zmal]

mysql 的使用不太对吧，并行写入同一张表对写入性能不会有提升，线程开那么多也没啥用啊。可以考虑不用 mysql ，数据放 kafka 。
看起来这个场景用大数据工具解决会简单很多，spark/flink 之类的。

[zer0fire]

@ihehe 那我还要搞个 linux 虚拟机环境?

[X0ray]

先定位瓶颈呗，看着像是读数据慢？
还有 count sum 这类的聚合运算，为啥 es, map reduce 就不适合了？

[ihehe]

@zer0fire mysql 的 memory 引擎对这 1 亿处理应该没啥问题，如果 10 亿百亿的你就没这么多 memory 给它用了；
上面的那些组件都是 java 的，win 上应该是可以跑的，不用再虚拟一层 linux ；（不过我没有在 win 上用过它们）

[BeijingBaby]

推荐 clickhouse ，轻松处理。

[clf]

drill 可以看看这个。

[encro]

你以为 mysql memory table 的 sum,cout 就快了吗？

mysql 就是只能作 oltp 业务，作 olap 还是不行的。

[akira]

不管是啥，无脑上 固态 总是对的