跳到主要内容

TiDB Lightning导入超大型txt文件实践

作者:hey-hoho

背景

TiDB 提供了很多种数据迁移的方式,但这些工具/方案普遍对MySQL比较友好,一旦涉及到异构数据迁移,就不得不另寻出路,借助各种开源或商业的数据同步工具。其实数据在不同系统的流转当中,有一种格式是比较通用的,那就是txt/csv这类文件,把数据用约定好的分隔符换行符等标记存放在一起,比如最常见的逗号分隔:

aa,11,a1
bb,22,b2

这个文件可以保存为data.txt或者data.csv,一般主流的数据库都支持把这类文件直接导入到对应的表中。

csv本身就是逗号分隔符文件,但是由于逗号太常见了很容易和真实数据混淆,往往会用比较复杂的字符作为分隔符,这时候txt文件就更灵活一些。

在 TiDB 中我们想导入csv文件可以选择的方式有Load DataLightning,但是从官方文档得知,这两种方式都没有明确表示支持txt文件导入。但是经过实测,实际上都能够支持txt格式文件,Load Data参考csv导入即可,本文重点介绍Lightning如何导入txt数据,毕竟数据量很大的时候还得靠Lightning

有人可能会质疑,不就是改个文件扩展名就能解决的问题何必搞得这么麻烦,要知道有些时候用户并不接受把txt强制改成csv,担心有损坏数据风险。。

咱也不敢说咱也不敢问,只能默默研究lightning。

Lightning 导入简单的txt文件

虽然官网文档明确表示 TiDB Lightning 支持以下文件类型:

但并没有说不支持txt,这就会让人抱有一丝幻想,尝试用默认的方式导入txt:

cd /data/loadtxt
vi test.t.txt
a#11
b#22
c#33
vi lightning-task.yaml

[lightning]
level = "info"
file = "tidb-lightning.log"
index-concurrency = 2
table-concurrency = 6

[tikv-importer]
backend = "local"
sorted-kv-dir = "/home/tidb/sorted"

[mydumper]
data-source-dir = "/data/loadtxt"
no-schema = true
filter = ['*.*']

[mydumper.csv]
separator = "#"
delimiter = ''
terminator = ""
header = false
not-null = false
null = '\N'
backslash-escape = true
trim-last-separator = false

[tidb]
host = "10.3.xx.xx"
port = 4000
user = "root"
password = "xxxxxx"
status-port = 10080
pd-addr = "10.3.xx.xx:2379"

[checkpoint]
enable = false

[post-restore]
checksum = true
analyze = false

如果这样运行 Lightning 你会发现并不会有任何报错信息,甚至日志最后还会提示:

[2022/09/15 16:53:10.846 +08:00] [INFO] [restore.go:442] ["the whole procedure completed"] [takeTime=108.167654ms] []
[2022/09/15 16:53:10.847 +08:00] [INFO] [main.go:106] ["tidb lightning exit"] [finished=true]

但是表里面始终没有数据进来,仔细分析日志就会发现,txt会被 Lightning 默认的 filter 给过滤掉:

[2022/09/15 16:53:10.721 +08:00] [INFO] [lightning.go:423] ["load data source start"]
[2022/09/15 16:53:10.721 +08:00] [INFO] [loader.go:310] ["[loader] file is filtered by file router"] [path=test.t.txt]
[2022/09/15 16:53:10.721 +08:00] [INFO] [lightning.go:426] ["load data source completed"] [takeTime=231.822µs] []

事实上,Lightning 提供了文件路由的特性,这也是 Lightning 能够导入 Aurora parquet 文件的原因,Aurora 的数据文件并不是我们熟知的库名.表名.csv|sql这种格式,正是通过自定义解析文件名才实现了 Aurora 数据导入。参考文档上的一段配置信息:

# [[mydumper.files]]
# 解析 AWS Aurora parquet 文件所需的表达式
# pattern = '(?i)^(?:[^/]*/)*([a-z0-9_]+)\.([a-z0-9_]+)/(?:[^/]*/)*(?:[a-z0-9\-_.]+\.(parquet))$'
# schema = '$1'
# table = '$2'
# type = '$3'

文件路由通过mydumper.files配置实现,它用正则定义了库名表名的解析规则。我们参考这个规则,在前面的lightning-task.yaml中增加这样一段配置:

[[mydumper.files]]
pattern = 'test.t.txt'
schema = 'test'
table = 't'
type = 'csv'

从type字段测试得出,Lightning 确实是不支持txt文件,但是这里通过正则解析巧妙的绕过了这个问题,把txt当做csv去处理。当强制给type设置为txt的时候,你会收到如下报错:

tidb lightning encountered error: [Lightning:Storage:ErrStorageUnknown]list file failed: apply file routing on file 'test.t.txt' failed: unknown source type 'txt'

至此,我们实现了一个简单的txt文件导入。

Lightning 对复杂分隔符的处理

之所以选择用txt文件保存数据,就是因为它支持更多复杂的分隔符。一般来说,为了避免和真实数据冲突,我们会选用组合字符或者不可见字符来作为分隔符,比如^&^ESC这种。

不可见字符是没办法直接写在配置文件中的,好在 Lightning 支持使用 Unicode 编码格式。 假设现在使用键盘上的ESC作为分隔符,那就可以在配置文件中这样定义:

[mydumper.csv]
separator = "\u001b"

toml文件中,Unicode 字符需要使用 \u 来转义,001b 就是ESC键对应的 Unicode 编码,并且这里字段值必须要用双引号包裹起来,单引号不行,需要注意。

Unicode 属于通用的字符编码规范,所有平台、系统、编程语言都对它有很好支持,建议在使用不常见字符时优先考虑使用 Unicode。

同样的,如果分隔符是多个字符,比如:

a#$11
b#$22
c#$33

也能使用 Unicode 编码替换:

[mydumper.csv]
separator = "\u0023\u0024"
# 或者
separator = "#$"

Lightning 对自定义文件名解析的处理

回到刚才新加的一段支持txt导入的配置:

[[mydumper.files]]
pattern = 'test.t.txt'
schema = 'test'
table = 't'
type = 'csv'

可以发现这个配置是写死了库名、表名、以及文件名的,单个文件导入这样做没问题,如果有一大批txt需要导入,每个文件写一套配置肯定是不行,这时候需要用到它的正则解析特性。这个解析的核心就是,告诉 Lightning 如何提取需要导入的文件以及它对应的库名表名。

假设我现在有一批从其他库导出的txt文件,名称如下:

oms_order_info_f.txt  
usr_user_info_f.txt
wms_warehouse_f.txt

一般来说文件名都不会随便乱起一个,会带上自身的业务属性。比如上面这个例子第一个单词表示业务单元,中间的单词是业务表,最后的f表示这是个导出的文件。基于规则固定的情况下,我们就可以使用正则提取需要的信息,得到如下配置参数:

[[mydumper.files]]
pattern = '([a-z]+)_([a-z0-9_]+)_f.txt'
schema = '$1'
table = '$2'
type = 'csv'

这样一来,只有符合pattern定义的文件才被Lightning处理,比如刚才的test.t.txt就会被忽略掉。其次schema和table变得更加灵活,除了直接从正则参数提取,还能加入我们想要的prefix,比如把文件都导入到以bak_开头的表中:

table =  'bak_$2'

有了这个特性,就算你的数据文件不是库名.表名.{index}.csv|txt这种格式,也能通过配置参数解决了。

Lightning 对特殊格式的处理

上游的数据总是千奇百怪,往往无法预料会蹦出个什么格式,在数据导入的过程中有两点我觉得需要重点关注一下。

1、如何处理空值(null)

Lightning 定义了如下的空值解析规则(搬运自官网):

[mydumper.csv]
# CSV 文件是否包含 NULL。
# 如果 not-null = true,CSV 所有列都不能解析为 NULL。
not-null = false
# 如果 not-null = false(即 CSV 可以包含 NULL),
# 为以下值的字段将会被解析为 NULL。
null = '\N'

以上配置的含义是如果碰到aa,\N,11这样的数据,那么中间字段在数据库里面会是 NULL。通常情况下我们会碰到这样的数据aa,,11,那么就需要设置null = ''

如果不希望数据库里面存在 NULL 值,那么把not-null设置为true即可。

2、如何处理转义字符

Lightning 定义了如下的转义规则(搬运自官网):

[mydumper.csv]
# 是否对字段内“\“进行转义
backslash-escape = true

假设恰好碰到这样的数据aa,\,11,上面的配置会把第二个分隔符当做真实数据保留,实际只会导入2个字段,插入的值分别是aa,11,使用的时候千万要注意。

如果要把\当做真实数据写入第二个字段,那么把上述配置设置为false即可。

大文件导入优化

Lightning 的最佳工作模式是处理大量的小文件,官网给出的建议值是单个数据文件不超过256M,经过实测发现,默认情况下 Lightning 对大文件的处理确实不够理想,风险包括:

  • 无法充分利用机器资源
  • 导入速度极慢
  • 程序易中断报错
  • 进程假死无响应

不仅仅是 Lightning ,我觉得整个 TiDB 的使用精髓就是拆分拆分拆分,大而重的事情虽然 TiDB 能做,但不是它擅长的。类似于大事务 SQL 一样,这里我们需要把大文件做拆分。我使用过的有两种方式。

1、Lightning 严格模式

如果要导入的文件能够保证真实数据不包含换行符(\r\n),那么可以开启 Lightning 的严格模式来自动拆分大文件,达到加速目的。

相关参数为(务必仔细阅读参数说明):

[mydumper]
# “严格”格式的导入数据可加快处理速度。
# strict-format = true 要求:
# 在 CSV 文件的所有记录中,每条数据记录的值不可包含字符换行符(U+000A 和 U+000D,即 \r 和 \n)
# 甚至被引号包裹的字符换行符都不可包含,即换行符只可用来分隔行。
# 导入数据源为严格格式时,TiDB Lightning 会快速定位大文件的分割位置进行并行处理。
# 但是如果输入数据为非严格格式,可能会将一条完整的数据分割成两部分,导致结果出错。
# 为保证数据安全而非追求处理速度,默认值为 false。
strict-format = false

# 如果 strict-format = true,TiDB Lightning 会将 CSV 大文件分割为多个文件块进行并行处理。max-region-size 是分割后每个文件块的最大大小。
# max-region-size = "256MiB" # 默认值

2、手动切分文件

严格模式虽然好用,但是拆分逻辑在 Lightning 内部完成,我们无法知道具体拆分细节,如果出现数据问题就很难排查,手动拆分文件相对来说比较可控,也可以作为备选方案。

手动拆分的核心是使用 Linux 的split命令,这里推荐一个基于split封装的脚本,功能强大,为 Lightning 而生。

https://github.com/jansu-dev/TiChange_for_lightning

感谢作者的分享 @jansu-dev

TiChange 用起来最舒服的就是它能把拆分后的文件命名为 Lightning 需要的格式,这样就不用额外写正则去定义文件路由,使用方法可以参考 Github 文档,非常简单。

[root@localhost tichange]# ./tichange.sh -i '/data/loadtxt/golang_gen.txt' -o '/home/tichange' -m 'test.t3'
Option i == /data/loadtxt/golang_gen.txt
Option o == /home/tichange
Option m == test.t3
---------------------------------------------------------------------------
------------ TiChange starting ------------------------------------------
---------------------------------------------------------------------------
------------ using below information for tidb-lightning.toml ------------
---------------------------------------------------------------------------
Please write the string path to tidb-lightning.toml config file!!!
and ,delete the dealed files by hand after imported data into database!!!

[mydumper]
data-source-dir = "/home/tichange/e46718e_operating_dir"
[mydumper]
no-schema = true
---------------------------------------------------------------------------

[root@localhost tichange]# ll /home/tichange/e46718e_operating_dir
total 20889132
-rw-r--r--. 1 root root 39888931 Sep 21 16:28 test.t3.00000000.csv
-rw-r--r--. 1 root root 41000041 Sep 21 16:28 test.t3.00000001.csv
-rw-r--r--. 1 root root 41000041 Sep 21 16:28 test.t3.00000002.csv
-rw-r--r--. 1 root root 41000041 Sep 21 16:28 test.t3.00000003.csv
-rw-r--r--. 1 root root 41000041 Sep 21 16:28 test.t3.00000004.csv
-rw-r--r--. 1 root root 41000041 Sep 21 16:28 test.t3.00000005.csv
......
-rw-r--r--. 1 root root 42978543 Sep 21 16:28 test.t3.00000499.csv

宝贵提示:如果不需要替换文件里的分隔符和界定符为csv标准格式,可以把源码中这部分的处理逻辑(多个sed操作)去掉,能够极大提高拆分速度。

我用一个20G的文件得到一组测试数据,供大家参考:

[root@localhost loadtxt]# ll -h
total 20G
-rw-r--r--. 1 root root 20G Sep 21 10:05 golang_gen.txt
指标参考值
测试机器虚拟机4c8g ssd盘,local模式导入
原始文件大小20G,2个字段,5亿行数据
直接导入31m14s
严格模式13m16s
手动拆分100万行做拆分,总耗时13m54s

生产环境实践

近期上线的一个项目约有100个铺底数据文件,累计大小12T+,单个文件最大2.1T,采用手动拆分+分批导入的方案,6台物理机同时干活,充分利用现有的机器资源。

no-alt

最后累计在1天内完成数据导入,这里涉及到生产敏感数据不过多描述。

总结

毫无疑问,在往 TiDB 导入大数据量的时候首选一定是 Lightning ,它不仅支持官网明码标注的文件类型,还支持txt这样的彩蛋,好好研究一下 Lightning 是很有必要的。

另外,Lightning 也随着 TiDB 的版本升级在不断强大,建议优先使用高版本的 Lightning ,可以避免一部分已知的bug,还能体验更好的性能。

虽然全篇都在以txt文件作为演示,但csv文件也同样适用前面描述的几种处理方式。

最后,希望本文能帮助到正在受大文件导入折磨的小伙伴们~