抛弃Python？1分钟插入10亿行数据！

Posted 2021-08-28 人工智能博士

点上方人工智能算法与Python大数据获取更多干货

在右上方 ··· 设为星标 ★，第一时间获取资源

仅做学术分享，如有侵权，联系删除

转载于 ：新智元

近日，一位程序员急需在一分钟之内生成十亿行的测试数据库，然而在用Python写了脚本之后发现「大失败」。怎么办？当然是用Rust了！

最近，一位程序员表示自己急需一个「也就」十亿行数据的测试数据库，并且还得在一分钟之内生成。

 

于是，他做了一个所有程序员都会做的事：写一个Python脚本来生成数据库。

 

然而，很不幸的是，这个脚本非 常 慢。

 

 

于是，他又做了一个所有程序员都会做的事：进一步学习关于SQLite、Python以及不知道为什么还有Rust的知识。

项目已开源：https://github.com/avinassh/fast-sqlite3-inserts

 

目标

作者需要在他2019年的MacBook Pro（2.4GHz四核i5）上，一分钟内生成一个有10亿行的SQLite数据库。

 

表的模式

 

要求：

1. 生成的数据是随机的；

2. 「area」列将包含六位数的地区代码（任何六位数都可以，不需要验证）；

3. 「age」列是5、10或15中的任何一个；

4. 「active」列是0或1。

 

不过，作者表示，对脚本的要求也不用太高，还是可以妥协的：

1. 如果进程崩溃，所有的数据都丢失也没有问题，再次运行脚本就可以了；

2. 允许充分利用电脑的资源：100%的CPU，8GB的内存和剩余的SSD储存；

3. 不需要使用真正的随机方法，来自stdlib的伪随机方法就可以。

Python原型

在最开始的脚本中，作者试图在一个for循环中逐一插入1000万条记录，而这让用时直接达到了15分钟。

 

 

显然，这太慢了。

 

在SQLite中，每次插入都是一个事务，每个事务都保证它被写入磁盘，作者推断可能问题就来自这里。

 

于是作者开始尝试不同规模的批量插入，发现10万是一个最佳点，而运行时间减少到了10分钟。

 

 

SQLite优化

作者认为自己写的代码已经很简练了，并没有什么可以优化的空间。

于是他将下一个目标转到了数据库的优化。

 

根据各种关于SQLite优化的建议，作者做了一些改进。

 

 

• 关闭「journal_mode」将禁用回滚日志，也就是说，如果任何事务失败，都无法回滚。

• 关闭「synchronous」，将使SQLite不再关心是否能可靠地写入磁盘，而是把这个责任交给操作系统。也就是说，可能会出现SQLite并没有成功写入磁盘的情况。

• 「cache_size」指定了SQLite在内存中可以保留多少个内存页。

• 当「locking_mode」为「EXCLUSIVE」模式时，SQLite锁住的连接将永远不会被释放。

• 将「temp_store」设置为「MEMORY」可以让其表现像一个内存数据库。

此处作者提醒，请不要把这些操作用到生产上去。

重新审视Python

作者再次重写了Python脚本，这次包括了微调的SQLite参数，这次带来了巨大的提升，运行时间大幅减少：

• 原始的for循环版本用时大约10分钟。

• 批处理版本用时大约8.5分钟。

 

PyPy

PyPy在其主页上强调它比CPython快4倍，于是作者决定尝试一下。

 

令作者有些意外的是，竟然不需要对现有的代码进行任何改动，只需要在PyPy运行就可以了。

 

批处理版本只需要2.5分钟，也就是速度快了接近3.5倍。

 

Busy Loop？

莫非是在Python的循环上耗费了太多时间？于是作者删除了SQL指令之后再次跑了一遍代码：

• 批处理版本在CPython中用时5.5分钟。

 

• 批处理版本在PyPy中用时1.5分钟（又是3.5倍的速度提升）。

然而用Rust重写了相同的内容之后，循环只需要17秒。

于是，作者果断抛弃Python，转投Rust的怀抱。

 

  

Rust

像Python一样，作者先写了一个原始的Rust版本，一个循环执行一行数据的插入。

然而，即便使用了所有SQLite的优化，也依然消耗了大约3分钟。于是作者进行了进一步的测试：

 

• 尝试把「rusqlite」换成异步运行的「sqlx」，这让用时直接被拉到了14分钟。作者表示，这比自己迄今为止写的任何一个Python迭代都要差。

• 在执行原始SQL语句时，使用准备好的语句。这个版本的用时只有1分钟。

 

最优的版本

使用准备好的语句，以50行为一个批次插入，最终用时34.3秒。

 

作者又写了一个线程版本，其中一个线程从通道接收数据，还有四个线程向通道推送数据。

 

这个也是目前性能最好的版本，最终用时大约32.37秒。

 

IO时间

SQLite论坛上的网友提出了一个有趣的想法：测量内存数据库所需的时间。

 

于是作者又跑了一遍代码，将数据库的位置设定为「:memory:」，rust版本完成的时间少了两秒（29秒）。

 

也就是说将1亿条记录写入到磁盘上需要2秒，这个用时似乎也是合理的。

 

这也说明，可能没有更多的SQLite优化可以以更快的方式写入磁盘，因为99%的时间都花在生成和添加数据上。

 

排行榜

插入1亿行数据的用时：

Rust	33秒
PyPy	126秒
CPython	210秒

总结

1. 尽可能使用SQLite PRAGMA语句

 

1. 使用准备好的语句

 

1. 进行分批插入

 

1. PyPy确实比CPython快4倍

 

1. 异步不一定更快

目前，第二快的版本是单线程运行的，而作者的电脑有4个核心，于是他在一分钟内可以得到8亿行数据。然后再经过几秒钟的数据合并，时间仍然可以少于一分钟。

网友评论

博主的这一番研究获得了网友们的一致好评。

真的很喜欢这些观点：

1. 学习了更多关于PRAGMA语句。

2. PyPy的效率和灵活性可以通过即插即用的方式体现（将来一定会给它一个机会）。

3. 文章的排版非常简单，有适当的源代码链接。很有趣，很容易上手。

Rust高光时刻又来了！

参考资料：

https://avi.im/blag/2021/fast-sqlite-inserts/

https://github.com/avinassh/fast-sqlite3-inserts

---------♥---------

声明：本内容来源网络，版权属于原作者

图片来源网络，不代表本公众号立场。如有侵权，联系删除

AI博士私人微信，还有少量空位

如何画出漂亮的深度学习模型图？

如何画出漂亮的神经网络图？

一文读懂深度学习中的各种卷积

点个在看支持一下吧