abstract：前提由于工作的原因，經(jīng)常需要對(duì)海量數(shù)據(jù)進(jìn)行處理，做的數(shù)據(jù)爬蟲相關(guān)，動(dòng)輒千萬(wàn)級(jí)別的數(shù)據(jù)，單表幾十個(gè)G都是都是家常便飯。 主要開發(fā)語(yǔ)言是C#，數(shù)據(jù)庫(kù)使用的是MySQL。最常見的操作便是 select 讀取數(shù)據(jù)，然后在C#中對(duì)數(shù)據(jù)進(jìn)行處理， 完畢后再插入數(shù)據(jù)庫(kù)中。 簡(jiǎn)而言之就 select -> process -> insert三個(gè)步驟
前提
由于工作的原因，經(jīng)常需要對(duì)海量數(shù)據(jù)進(jìn)行處理，做的數(shù)據(jù)爬蟲相關(guān)，動(dòng)輒千萬(wàn)級(jí)別的數(shù)據(jù)，單表幾十個(gè)G都是都是家常便飯。 主要開發(fā)語(yǔ)言是C#，數(shù)據(jù)庫(kù)使用的是MySQL。
最常見的操作便是 select 讀取數(shù)據(jù)，然后在C#中對(duì)數(shù)據(jù)進(jìn)行處理， 完畢后再插入數(shù)據(jù)庫(kù)中。 簡(jiǎn)而言之就 select -> process -> insert三個(gè)步驟。 對(duì)于數(shù)據(jù)量小的情況下（百萬(wàn)級(jí)別 or 幾百兆)可能
最多1個(gè)小時(shí)就處理完了。但是對(duì)于千萬(wàn)級(jí)數(shù)據(jù)可能幾天，甚至更多。 那么問(wèn)題來(lái)了，如何優(yōu)化？？
（數(shù)據(jù)庫(kù)的一覽，有圖有真相）
第一步 解決讀取的問(wèn)題
跟數(shù)據(jù)庫(kù)打交道的方式有很多，我來(lái)列舉下吧：
1. 【重武器-坦克大炮】使用重型ORM框架，比如EF,NHibernat 這樣的框架。
2. 【輕武器-AK47】 使用Dapper,PetaPoco之類，單cs文件。靈活高效，使用簡(jiǎn)單。居家越貨必備（我更喜歡PetaPoco :)）
3. 【冷兵器？匕首？】使用原生的Connection、Command。 然后寫原生的SQL語(yǔ)句。。
分析：
【重武器】在我們這里肯定直接被PASS， 他們應(yīng)該被用在大型項(xiàng)目中。
【輕武器】Dapper,PetaPoco 看過(guò)源碼你會(huì)發(fā)現(xiàn)用到了反射，雖然使用IL和緩存技術(shù)，但是還是會(huì)影響讀取效率，PASS
好吧那就只有使用匕首，原生SQL走起， 利用DataReader 進(jìn)行高效讀取，并且使用索引取數(shù)據(jù)（更快），而不是列名。
大概的代碼如下：
using (var conn = new MySqlConnection("Connection String..."))
{
conn.Open();
//此處設(shè)置讀取的超時(shí)，不然在海量數(shù)據(jù)時(shí)很容易超時(shí)
var c = new MySqlCommand("set net_write_timeout=9999999; set net_read_timeout=9999999", conn);
c.ExecuteNonQuery();
MySqlCommand rcmd = new MySqlCommand();
rcmd.Connection = conn;
rcmd.CommandText = @"SELECT `f1`,`f2` FROM `table1`";
//設(shè)置命令的執(zhí)行超時(shí)
rcmd.CommandTimeout = 99999999;
var myData = rcmd.ExecuteReader();
while (myData.Read())
{
var f1= myData.GetInt32(0);
var f2= myData.GetString(1);
//這里做數(shù)據(jù)處理....
}
}哈哈，怎么樣，代碼非常原始，還是使用索引來(lái)取數(shù)據(jù)，很容易出錯(cuò)。 當(dāng)然一切為了性能咱都忍了
第二步 數(shù)據(jù)處理
其實(shí)這一步，根據(jù)你的業(yè)務(wù)需要，代碼肯定不一， 不過(guò)無(wú)非是一些字符串處理，類型轉(zhuǎn)換的操作，這時(shí)候就是考驗(yàn)?zāi)愕腃#基礎(chǔ)功底的時(shí)候了。 以及如何高效編寫正則表達(dá)式。。。
具體代碼也沒法寫啊 ，先看完CLR via C# 在來(lái)跟我討論吧 ，O(∩_∩)O哈哈哈~ 跳過(guò)。。。。
第三部 數(shù)據(jù)插入
如何批量插入才最高效呢？ 有同學(xué)會(huì)說(shuō)， 使用事務(wù)啊，BeginTransaction, 然后EndTransaction。 恩，這個(gè)的確可以提高插入效率。 但是還有更加高效的方法，那就是合并insert語(yǔ)句。
那么怎么合并呢？
insert into table (f1,f2) values(1,'sss'),values(2,'bbbb'),values(3,'cccc');
就是把values后面的全部用逗號(hào)，鏈接起來(lái)，然后一次性執(zhí)行 。
當(dāng)然不能一次性提交個(gè)100MB的SQL執(zhí)行，MySQL服務(wù)器對(duì)每次執(zhí)行命令的長(zhǎng)度是有限制的。 通過(guò) MySQL服務(wù)器端的max_allowed_packet 屬性可以查看， 默認(rèn)是1MB
咱們來(lái)看看偽代碼吧
//使用StringBuilder高效拼接字符串
var sqlBuilder = new StringBuilder();
//添加insert 語(yǔ)句的頭
string sqlHeader = "insert into table1 (`f1`,`f2`) values";
sqlBuilder.Append(sqlHeader);
using (var conn = new MySqlConnection("Connection String..."))
{
conn.Open();
//此處設(shè)置讀取的超時(shí)，不然在海量數(shù)據(jù)時(shí)很容易超時(shí)
var c = new MySqlCommand("set net_write_timeout=9999999; set net_read_timeout=9999999", conn);
c.ExecuteNonQuery();
MySqlCommand rcmd = new MySqlCommand();
rcmd.Connection = conn;
rcmd.CommandText = @"SELECT `f1`,`f2` FROM `table1`";
//設(shè)置命令的執(zhí)行超時(shí)
rcmd.CommandTimeout = 99999999;
var myData = rcmd.ExecuteReader();
while (myData.Read())
{
var f1 = myData.GetInt32(0);
var f2 = myData.GetString(1);
//這里做數(shù)據(jù)處理....
sqlBuilder.AppendFormat("({0},'{1}'),", f1,AddSlash(f2));
if (sqlBuilder.Length >= 1024 * 1024)//當(dāng)然這里的1MB length的字符串并不等于 1MB的Packet。。。我知道：）
{
insertCmd.Execute(sqlBuilder.Remove(sqlBuilder.Length-1,1).ToString())//移除逗號(hào)，然后執(zhí)行
sqlBuilder.Clear();//清空
sqlBuilder.Append(sqlHeader);//在加上insert 頭
}
}
}好了，到這里 大概的優(yōu)化后的高效查詢、插入就完成了。
結(jié)語(yǔ)
總結(jié)下來(lái)，無(wú)非2個(gè)關(guān)鍵技術(shù)點(diǎn)，DataReader、SQL合并，都是一些老的技術(shù)啦。
其實(shí)，上面的代碼只能稱得上 高效 ， 但是， 卻非常的不優(yōu)雅。。。甚至難看。。。