TiDB | TiDB Lightning导入超大型txt文件实践

TiDB Lightning

导入超大型txt文件实践

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：

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 Data和 Lightning，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。

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：

• Dumpling 生成的文件

• CSV 文件

• Amazon Aurora 生成的 Apache Parquet 文件

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：

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：

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：

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：

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：

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：

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：

在 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：

也能使用 Unicode 编码替换：

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：

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：

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：

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：

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）：

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）：

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）：

# 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。

我用一个20G的文件得到一组测试数据，供大家参考：

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。

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。