TL;DR: LOAD DATA INFILE
je o jeden řád rychlejší než několik INSERT
příkazy, které jsou samy o sobě o jeden řád rychlejší než jeden INSERT
prohlášení.
Níže porovnám tři hlavní strategie pro import dat z R do Mysql:
-
jediné
insert
prohlášení , jako v otázce:INSERT INTO test (col1,col2,col3) VALUES (1,2,3)
-
více
insert
prohlášení , ve formátu takto:INSERT INTO test (col1,col2,col3) VALUES (1,2,3),(4,5,6),(7,8,9)
-
load data infile
prohlášení , tj. načtení dříve napsaného souboru CSV vmysql
:LOAD DATA INFILE 'the_dump.csv' INTO TABLE test
Používám RMySQL
zde, ale jakýkoli jiný ovladač mysql by měl vést k podobným výsledkům. Tabulka SQL byla vytvořena pomocí:
CREATE TABLE `test` (
`col1` double, `col2` double, `col3` double, `col4` double, `col5` double
) ENGINE=MyISAM;
Spojení a testovací data byla vytvořena v R
s:
library(RMySQL)
con = dbConnect(MySQL(),
user = 'the_user',
password = 'the_password',
host = '127.0.0.1',
dbname='test')
n_rows = 1000000 # number of tuples
n_cols = 5 # number of fields
dump = matrix(runif(n_rows*n_cols), ncol=n_cols, nrow=n_rows)
colnames(dump) = paste0('col',1:n_cols)
Srovnávací jedno insert
prohlášení:
before = Sys.time()
for (i in 1:nrow(dump)) {
query = paste0('INSERT INTO test (',paste0(colnames(dump),collapse = ','),') VALUES (',paste0(dump[i,],collapse = ','),');')
dbExecute(con, query)
}
time_naive = Sys.time() - before
=> to trvá asi 4 minuty na mém počítači
Srovnávání více insert
prohlášení:
before = Sys.time()
chunksize = 10000 # arbitrary chunk size
for (i in 1:ceiling(nrow(dump)/chunksize)) {
query = paste0('INSERT INTO test (',paste0(colnames(dump),collapse = ','),') VALUES ')
vals = NULL
for (j in 1:chunksize) {
k = (i-1)*chunksize+j
if (k <= nrow(dump)) {
vals[j] = paste0('(', paste0(dump[k,],collapse = ','), ')')
}
}
query = paste0(query, paste0(vals,collapse=','))
dbExecute(con, query)
}
time_chunked = Sys.time() - before
=> to trvá asi 40 sekund na mém počítači
Srovnávání load data infile
prohlášení :
before = Sys.time()
write.table(dump, 'the_dump.csv',
row.names = F, col.names=F, sep='\t')
query = "LOAD DATA INFILE 'the_dump.csv' INTO TABLE test"
dbSendStatement(con, query)
time_infile = Sys.time() - before
=> to trvá asi 4 sekundy na mém počítači
Vytvoření vašeho dotazu SQL tak, aby zpracoval mnoho hodnot vložení, je nejjednodušší způsob, jak zlepšit výkon. Přechod na LOAD DATA INFILE
povede k optimálním výsledkům. Tipy pro dobrý výkon lze nalézt na této stránce dokumentace mysql .