python - 在 Django 中优化 Postgresql 数据库写入的性能？

Question

我有一个 Django 1.1 应用程序需要每天从一些大的 json 文件中导入数据。举个例子，其中一个文件超过 100 Mb，有 90K 个条目被导入到 Postgresql 数据库。

我遇到的问题是导入数据确实需要很长时间，即以小时为单位。我原以为将那么多的条目写入数据库需要一些时间，但肯定不会那么长，这让我觉得我做的事情本质上是错误的。我读过类似的 stackexchange 问题，建议的解决方案建议使用 transaction.commit_manually 或 transaction.commit_on_success 装饰器来分批提交，而不是在每个 .save( )，我已经在这样做了。

正如我所说，我想知道我是否做错了什么(例如，要提交的批处理太大？外键太多？...)，或者我是否应该为此放弃 Django 模型函数并直接使用 DB API。有什么想法或建议吗？

这是我在导入数据时处理的基本模型(为了简单起见，我删除了原始代码中的一些字段)

class Template(models.Model):
    template_name = models.TextField(_("Name"), max_length=70)
    sourcepackage = models.TextField(_("Source package"), max_length=70)
    translation_domain = models.TextField(_("Domain"), max_length=70)
    total = models.IntegerField(_("Total"))
    enabled = models.BooleanField(_("Enabled"))
    priority = models.IntegerField(_("Priority"))
    release = models.ForeignKey(Release) 

class Translation(models.Model):
    release = models.ForeignKey(Release)
    template = models.ForeignKey(Template)
    language = models.ForeignKey(Language)
    translated = models.IntegerField(_("Translated"))

下面是一段似乎需要很长时间才能完成的代码:

@transaction.commit_manually
def add_translations(translation_data, lp_translation):

    releases = Release.objects.all()

    # There are 5 releases
    for release in releases:

        # translation_data has about 90K entries
        # this is the part that takes a long time
        for lp_translation in translation_data:
            try:
                language = Language.objects.get(
                    code=lp_translation['language'])
            except Language.DoesNotExist:
                continue

            translation = Translation(
                template=Template.objects.get(
                            sourcepackage=lp_translation['sourcepackage'],
                            template_name=lp_translation['template_name'],
                            translation_domain=\
                                lp_translation['translation_domain'],
                            release=release),
                translated=lp_translation['translated'],
                language=language,
                release=release,
                )

            translation.save()

        # I realize I should commit every n entries
        transaction.commit()

        # I've also got another bit of code to fill in some data I'm
        # not getting from the json files

        # Add missing templates
        languages = Language.objects.filter(visible=True)
        languages_total = len(languages)

        for language in languages:
            templates = Template.objects.filter(release=release)

            for template in templates:
                try:
                    translation = Translation.objects.get(
                                    template=template,
                                    language=language,
                                    release=release)
                except Translation.DoesNotExist:
                    translation = Translation(template=template,
                                              language=language,
                                              release=release,
                                              translated=0,
                                              untranslated=0)
                    translation.save()

            transaction.commit()

Answer 1

通过您的应用程序并处理每一行，将数据直接加载到服务器的速度很多。即使使用优化代码。此外，一次插入/更新一行比一次处理所有行慢很多。

如果导入文件在服务器本地可用，您可以使用 COPY .否则，您可以在标准界面中使用元命令 \copy psql .您提到了 JSON，要使其正常工作，您必须将数据转换为合适的平面格式，如 CSV。

如果您只想向表中添加新行:

COPY tbl FROM '/absolute/path/to/file' FORMAT csv;

或者如果你想插入/更新一些行:

首先:为 temp_buffers 使用足够的 RAM (至少暂时，如果可以的话)这样临时表就不必写入磁盘。请注意，必须在访问此 session 中的任何临时表之前完成此操作。

SET LOCAL temp_buffers='128MB';

内存中的表示比数据的磁盘表示占用更多的空间。因此，对于一个 100 MB 的 JSON 文件，减去 JSON 开销，再加上一些 Postgres 开销，128 MB 可能不够，也可能不够。但是您不必猜测，只需进行测试运行并测量即可:

select pg_size_pretty(pg_total_relation_size('tmp_x'));

创建临时表:

CREATE TEMP TABLE tmp_x (id int, val_a int, val_b text);

或者，只是复制现有表的结构:

CREATE TEMP TABLE tmp_x AS SELECT * FROM tbl LIMIT 0;

复制值(应该花费秒，而不是几小时):

COPY tmp_x FROM '/absolute/path/to/file' FORMAT csv;

从那里使用普通的旧 SQL 进行 INSERT/UPDATE。当你计划一个复杂的查询时，你甚至可能想在临时表上添加一个或两个索引并运行ANALYZE:

ANALYZE tmp_x;

例如，要更新现有行，匹配id:

UPDATE tbl
SET    col_a = tmp_x.col_a
USING  tmp_x
WHERE  tbl.id = tmp_x.id;

最后，删除临时表:

DROP TABLE tmp_x;

或者让它在 session 结束时自动删除。