大批量数据读写

需求

大约200W条数据，批量从mysql中读取，然后根据主键再从hbase读数据进行关联，最后再update到数据库中

同步解决方案

同步解决方案，也是最接近人脑思考顺序的方案是，分页mysql读取id集合，每页1k条数据，然后拿着idList批量从nosql的hbase中进行数据的获取，进行数据的封装，然后逐条更新到数据库中。实验结果表明，如果要完成这项工作，估计要10小时以上。

先做个简单的优化，尽可能的降低io开销，将逐条更新回数据库修改成，延迟批量提交数据库。这样1k次io开销缩减成1次。利用ibatis的批量提交特性，具体代码如下

@Override
public void batchUpdate(final List<T> objectList) {
    this.getSqlMapClientTemplate().execute(new SqlMapClientCallback() {
        public Object doInSqlMapClient(SqlMapExecutor executor) throws SQLException {
            executor.startBatch();
            for (T tmp : objectList) {
                executor.update(sqlmapNamespace + ".update" + , tmp);
            }
            return executor.executeBatch();
        }
    });
}

这样再次实验后，发现跟新1k条数据从原来的10s以上降低到300ms左右，还是有着非常大的提升的。整体的1k的分页任务完成，从原来的40s左右降低到1.5s左右。那么完成200w左右的数据，仍然需要接近1个小时，不能满足业务期望

异步解决方案

IO的开销，已经基本上没办法在低成本的角度去优化了。那么可以从cpu的角度进行提高，运行top命令后发现，cpu的java占比基本在%0.3以内。因此可以尝试采用多线程的异步方案进行并发处理。起线程的代码如下,起大约10个线程左右，起的太多，会造成数据库连接数超出，导致数据库连接异常

query.setCurrentPage(1);
query.setPageSize(100000);// 开10个线程左右，能覆盖200W的数据
Integer totalInteger = rUserAlipayDAO.countByQuery(query);
query.setTotalItem(totalInteger);
do {
    try {
        GetDataThread thread = new GetDataThread(query.getStartRow(), query.getEndRow());
        Thread t = new Thread(thread);
        t.start();
    } catch (Throwable t) {
        logger.error("update  error", t);
    }
} while (query.nextPage());

GetDataThread 代码如下,接受10W条左右的数据，进行任务的操作,构造函数如下,主要用于区分每个线程处理的起始位置

public GetDataThread (Integer startRow, Integer endRow){
    this.startRow=startRow;
    this.endRow=endRow;
}

下面是处理的run方法

@Override
public void run() {
    ...
    query.setStartRow(startRow);
    query.setPageSize(1000);//每页1K条数据
    logger.warn("do startRow"+startRow +" thread start...");
    Long startLong = System.currentTimeMillis();
    do{
        //TODO 进行相关的任务处理
        startRow= startRow+1000;
        query.setStartRow(startRow);
    }while(startRow<endRow);
    
    logger.warn("Thread startRow"+startRow +"  cost "+(System.currentTimeMillis()-startLong));
}

调整后，每个线程处理10W条数据，大概2分钟左右完成，但是由于是10个线程同时开工，总体任务的执行时间基本控制在3min以内，完全满足业务期望

总结

这个场景非常简单，写这篇文章的目的主要是找到一个案例，让初学者了解如何去分析一段代码存在的性能问题，并且如何针对这些问题进行代码改进。