Python使用RethinkDB总结

和 mongodb 类似 rethinkdb 是一个主要用来存储 json 文档的数据库引擎（mongodb 存储的是 bson），可以轻松和多个节点连成分布式数据库，非常好用的查询语言以及支持表的 joins 和 group by 操作等。
昨天试玩了一下 rethinkdb，在一台虚拟机上测试，插入2500万行记录性能比较稳定，维持在 1.5k 行到 2k 行每秒之间，rethinkdb 的数据分片（sharding）功能非常简单，一个点击就可以完成。下面的安装和测试在 ubuntu 12.04.4 lts server 版本上完成。
加入 rethinkdb 官方源后安装：

$ sudo apt-get install python-software-properties
$ sudo add-apt-repository ppa:rethinkdb/ppa
$ sudo apt-get update
$ sudo apt-get install rethinkdb

拷贝一个例子配置文件后修改 bind 部分以便可以从其他机器访问：

$ cd /etc/rethinkdb/
$ sudo cp default.conf.sample instances.d/default.conf

$ sudo vi instances.d/default.conf
...
# bind=127.0.0.1
bind=0.0.0.0
...

启动 rethinkdb：

$ sudo /etc/init.d/rethinkdb start
rethinkdb: default: starting instance. (logging to `/var/lib/rethinkdb/default/data/log_file')

访问 http://192.168.2.39:8080/ 就可以看到 rethinkdb 的管理界面了：

如果不喜欢在命令行工作，web 界面还提供了 data explorer 在线查询工具，支持语法高亮、在线函数提示等，不用额外查帮助文件。

要用程序的方式和 rethinkdb 打交道的话就需要安装客户端驱动（client drivers），官方支持的驱动有 javascript, ruby 和 python 3种语言，社区支持的驱动几乎包括了 c, go, c++, java, php, perl, clojure, erlang 等所有主流编程语言。本人用 python 多一些，所以这里安装 python 客户端驱动：

$ sudo apt-get install python-pip
$ sudo pip install rethinkdb

测试一下驱动是否能工作了，如果 import rethinkdb 没有出错基本就可以说明模块安装成功：

$ python
python 2.7.3 (default, feb 27 2014, 19:58:35)
[gcc 4.6.3] on linux2
type "help", "copyright", "credits" or "license" for more information.
>>> import rethinkdb
>>>

gene2go.txt 是一个含有基因数据的文本文件，大概1000多万行记录，格式如下：

$ head -2 gene2go.txt
#format: tax_id geneid go_id evidence qualifier go_term pubmed category (tab is used as a separator, pound sign - start of a comment)
3702 814629 go:0005634 ism - nucleus - component

写个简单程序把 gene2go.txt 的数据导入到 rethinkdb 里：

#!/usr/bin/python
# -*- coding: utf-8 -*-

import os, os.path, sys, re, csv, string

def csv2db():
    data = csv.reader(open('gene2go.txt', 'rb'), delimiter='\t')
    data.next()

    import rethinkdb as r
    r.connect('localhost', 28015).repl()
    r.db('test').table_create('gene2go').run()
    gene2go = r.db('test').table('gene2go')
    for row in data:
        gene2go.insert({
            'tax_id': row[0],
            'geneid': row[1],
            'go_id': row[2],
            'evidence': row[3],
            'qualifier': row[4],
            'go_term': row[5],
            'pubmed': row[6],
            'category': row[7]
        }).run(durability="soft", noreply=true)

def main():
    csv2db()

if __name__ == "__main__":
    main()