リレーショナルデータベースへの CSV ファイルインポートと性能確認手順

SQLite 3 のインストールと利用の入門: 別ページにまとめている．

PostgreSQL のインストール

CSV ファイルインポートのテスト実行（SQLite3 を使用）

# インポートのプログラム
cat >import.sql<<EOF
.separator ,
pragma journal_mode=off;
.import T1000M_1.csv T1000M_1
.exit
EOF

# クリーンアップ（clean up）
echo -n > t1000m_1.db
rm -f t1000m_1.db
# インポート（import）
cat import.sql | time sqlite3 t1000m_1.db
rm -f import.sql
# 問い合わせ（query）
echo "select * from T1000M_1 limit 10;" | sqlite3 t1000m_1.db
echo "select region, count(*) from T1000M_1 group by region;" | sqlite3 t1000m_1.db
echo "select birth_cap from T1000M_1 where birth_cap > 80000 limit 10;" | sqlite3 t1000m_1.db

# キャッシュのクリア（PageCache, dentries and inodes）
function cache_clear() {
    /usr/bin/sync
    /usr/bin/sync
    /usr/bin/sync
    /usr/bin/sync
    /usr/bin/sync
    sleep 3
    sudo sysctl -w vm.drop_caches=3 > /dev/null
    echo 3 | sudo tee -a /proc/sys/vm/drop_caches > /dev/null
    return
}

# 性能を見たいプログラム，上のプログラムと同じ
cat >import.sql<<EOF
.separator ,
pragma journal_mode=off;
.import T1000M_1.csv T1000M_1
.exit
EOF

# クリーンアップ（clean up），上のプログラムと同じ
echo -n > t1000m_1.db
rm -f t1000m_1.db

# dstat データをプロットするプログラムの準備
WIDTH=48
HEIGHT=20
sudo apt -y install dstat
rm -f dstatplot.py
wget https://www.kkaneko.jp/data/rdb/dstatplot.py

# キャッシュのクリア
cache_clear

# 48 のところは表示の横幅
# 20 のところは表示の縦幅
# 表示が始まるまで「表示の横幅」秒待つこと．
dstat -tcdylm -C 0,1,2,3,4,5,6,7 | python3 dstatplot.py $WIDTH $HEIGHT &
sleep $WIDTH

# インポート（import），上のプログラムと同じ
cat import.sql | time sqlite3 t1000m_1.db
rm -f import.sql

数字 0 から 7 はプロセッサのコア．R, W はストレージの読み書き．m はメモリ使用量

前半は CPU バウンド（ディスク読み込みは余裕がある），後半は I/O バウンド（今度はプロセッサは余裕がある）ように読み取ることができる．

CSV ファイルインポートのテスト実行（PostgreSQL を使用）

# インポートのプログラム
cat >import.sql<<EOF
truncate T1000M_1;
copy T1000M_1 from '`pwd`/T1000M_1.csv' with csv header;
\q
EOF

# クリーンアップ（clean up）
echo "drop database if exists testdb" | sudo -u postgres psql -U postgres
sudo service postgresql stop
sudo rm -rf /var/lib/postgresql/data
sudo mkdir /var/lib/postgresql/data
sudo chown -R postgres:postgres /var/lib/postgresql/data
sudo -u postgres /usr/lib/postgresql/12/bin/initdb --encoding=UTF-8 --locale=ja_JP.UTF8 -D /var/lib/postgresql/data > /dev/null
sudo service postgresql start
echo "create database testdb owner postgres encoding 'UTF8';" | sudo -u postgres psql -U postgres
# インポート（import）
cat T1000M_1.sql | sudo -u postgres psql -U postgres -d testdb
cat import.sql | sudo -u postgres time psql -U postgres -d testdb --single-transaction
rm -f import.sql
# 問い合わせ（query）
echo "select * from T1000M_1 limit 10;" | sudo -u postgres psql -U postgres -d testdb
echo "select region, count(*) from T1000M_1 group by region;" | sudo -u postgres psql -U postgres -d testdb
echo "select birth_cap from T1000M_1 where birth_cap > 80000 limit 10;" | sudo -u postgres psql -U postgres -d testdb

# キャッシュのクリア（PageCache, dentries and inodes）
function cache_clear() {
    /usr/bin/sync
    /usr/bin/sync
    /usr/bin/sync
    /usr/bin/sync
    /usr/bin/sync
    sleep 3
    sudo sysctl -w vm.drop_caches=3 > /dev/null
    echo 3 | sudo tee -a /proc/sys/vm/drop_caches > /dev/null
    return
}

# 性能を見たいプログラム，上のプログラムと同じ
cat >import.sql<<EOF
truncate T1000M_1;
copy T1000M_1 from '`pwd`/T1000M_1.csv' with csv header;
\q
EOF

# クリーンアップ（clean up），上のプログラムと同じ
echo "drop database if exists testdb" | sudo -u postgres psql -U postgres
sudo service postgresql stop
sudo rm -rf /var/lib/postgresql/data
sudo mkdir /var/lib/postgresql/data
sudo chown -R postgres:postgres /var/lib/postgresql/data
sudo -u postgres /usr/lib/postgresql/12/bin/initdb --encoding=UTF-8 --locale=ja_JP.UTF8 -D /var/lib/postgresql/data
sudo service postgresql start
echo "create database testdb owner postgres encoding 'UTF8';" | sudo -u postgres psql -U postgres

# dstat データをプロットするプログラムの準備
WIDTH=48
HEIGHT=20
sudo apt -y install dstat
rm -f dstatplot.py
wget https://www.kkaneko.jp/data/rdb/dstatplot.py

# キャッシュのクリア
cache_clear

# 48 のところは表示の横幅
# 20 のところは表示の縦幅
# 表示が始まるまで「表示の横幅」秒待つこと．
dstat -tcdylm -C 0,1,2,3,4,5,6,7 | python3 dstatplot.py $WIDTH $HEIGHT &
sleep $WIDTH

# インポート（import），上のプログラムと同じ
cat T1000M_1.sql | sudo -u postgres psql -U postgres -d testdb --single-transaction
cat import.sql | sudo -u postgres time psql -U postgres -d testdb
rm -f import.sql

数字 0 から 7 はプロセッサのコア．R, W はストレージの読み書き．m はメモリ使用量

リード，ライトが直ちに始まる．そして，読み込まれたデータはメモリ上に残る．メモリは直ちには開放されない．なお，トランザクション終了後に，データの書き込みが行われる．

CSV ファイルインポートでのファイルサイズと処理時間の関係

CSV ファイルインポートでのファイルサイズと処理時間の関係（SQLite3 を使用）

#/bin/bash
function elapsed() {
    echo `python3 -c "import sys; print( float(sys.argv[2]) - float(sys.argv[1]) )" $1 $2`
    return
}

function avg() {
    echo `python3 -c 'import sys; print("%.3f" % ((float(sys.argv[1]) + float(sys.argv[2]) + float(sys.argv[3])) / 3.0) )' $1 $2 $3`
    return
}

# キャッシュのクリア（PageCache, dentries and inodes）
function cache_clear() {
    /usr/bin/sync
    /usr/bin/sync
    /usr/bin/sync
    /usr/bin/sync
    /usr/bin/sync
    sleep 3
    sudo sysctl -w vm.drop_caches=3 > /dev/null
    echo 3 | sudo tee -a /proc/sys/vm/drop_caches > /dev/null
    return
}

function file_clean_up() {
echo -n > $1
rm -f $1
}

# $1: CSV file name, $2: Table name, $3: SQLite3 Database name
function sqlite3_import() {
# クリーンアップ（clean up）
echo -n > $3
rm -f $3
rm -f sqlite3_import.sql

# インポートのプログラム
cat >sqlite3_import.sql<<EOF
.separator ,
pragma journal_mode=off;
.import $1 $2
.exit
EOF

    start=`date +%s.%N`
    cat sqlite3_import.sql | sqlite3 $3 > /dev/null
    current=`date +%s.%N`
    echo `elapsed $start $current`
    return
}

# 250M 
cache_clear
elapsed1=`sqlite3_import T250M_1.csv T250M_1 t250m_1.db`
file_clean_up t250m_1.db
cache_clear
elapsed2=`sqlite3_import T250M_1.csv T250M_1 t250m_1.db`
file_clean_up t250m_1.db
cache_clear
elapsed3=`sqlite3_import T250M_1.csv T250M_1 t250m_1.db`
file_clean_up t250m_1.db
echo 250M: `avg $elapsed1 $elapsed2 $elapsed3` 

# 500M 
cache_clear
elapsed1=`sqlite3_import T500M_1.csv T500M_1 t500m_1.db`
file_clean_up t500m_1.db
cache_clear
elapsed2=`sqlite3_import T500M_1.csv T500M_1 t500m_1.db`
file_clean_up t500m_1.db
cache_clear
elapsed3=`sqlite3_import T500M_1.csv T500M_1 t500m_1.db`
file_clean_up t500m_1.db
echo 500M: `avg $elapsed1 $elapsed2 $elapsed3` 

# 1000M 
cache_clear
elapsed1=`sqlite3_import T1000M_1.csv T1000M_1 t1000m_1.db`
file_clean_up t1000m_1.db
cache_clear
elapsed2=`sqlite3_import T1000M_1.csv T1000M_1 t1000m_1.db`
file_clean_up t1000m_1.db
cache_clear
elapsed3=`sqlite3_import T1000M_1.csv T1000M_1 t1000m_1.db`
file_clean_up t1000m_1.db
echo 1000M: `avg $elapsed1 $elapsed2 $elapsed3` 

# 2000M 
cache_clear
elapsed1=`sqlite3_import T2000M_1.csv T2000M_1 t2000m_1.db`
file_clean_up t2000m_1.db
cache_clear
elapsed2=`sqlite3_import T2000M_1.csv T2000M_1 t2000m_1.db`
file_clean_up t2000m_1.db
cache_clear
elapsed3=`sqlite3_import T2000M_1.csv T2000M_1 t2000m_1.db`
file_clean_up t2000m_1.db
echo 2000M: `avg $elapsed1 $elapsed2 $elapsed3` 

# 4000M 
cache_clear
elapsed1=`sqlite3_import T4000M_1.csv T4000M_1 t4000m_1.db`
file_clean_up t4000m_1.db
cache_clear
elapsed2=`sqlite3_import T4000M_1.csv T4000M_1 t4000m_1.db`
file_clean_up t4000m_1.db
cache_clear
elapsed3=`sqlite3_import T4000M_1.csv T4000M_1 t4000m_1.db`
file_clean_up t4000m_1.db
echo 4000M: `avg $elapsed1 $elapsed2 $elapsed3` 

# 8000M 
cache_clear
elapsed1=`sqlite3_import T8000M_1.csv T8000M_1 t8000m_1.db`
file_clean_up t8000m_1.db
cache_clear
elapsed2=`sqlite3_import T8000M_1.csv T8000M_1 t8000m_1.db`
file_clean_up t8000m_1.db
cache_clear
elapsed3=`sqlite3_import T8000M_1.csv T8000M_1 t8000m_1.db`
file_clean_up t8000m_1.db
echo 8000M: `avg $elapsed1 $elapsed2 $elapsed3` 

# 12000M 
cache_clear
elapsed1=`sqlite3_import T12000M_1.csv T12000M_1 t12000m_1.db`
file_clean_up t12000m_1.db
cache_clear
elapsed2=`sqlite3_import T12000M_1.csv T12000M_1 t12000m_1.db`
file_clean_up t12000m_1.db
cache_clear
elapsed3=`sqlite3_import T12000M_1.csv T12000M_1 t12000m_1.db`
file_clean_up t12000m_1.db
echo 12000M: `avg $elapsed1 $elapsed2 $elapsed3` 

# 16000M 
cache_clear
elapsed1=`sqlite3_import T16000M_1.csv T16000M_1 t16000m_1.db`
file_clean_up t16000m_1.db
cache_clear
elapsed2=`sqlite3_import T16000M_1.csv T16000M_1 t16000m_1.db`
file_clean_up t16000m_1.db
cache_clear
elapsed3=`sqlite3_import T16000M_1.csv T16000M_1 t16000m_1.db`
file_clean_up t16000m_1.db
echo 16000M: `avg $elapsed1 $elapsed2 $elapsed3` 

# 20000M 
cache_clear
elapsed1=`sqlite3_import T20000M_1.csv T20000M_1 t20000m_1.db`
file_clean_up t20000m_1.db
cache_clear
elapsed2=`sqlite3_import T20000M_1.csv T20000M_1 t20000m_1.db`
file_clean_up t20000m_1.db
cache_clear
elapsed3=`sqlite3_import T20000M_1.csv T20000M_1 t20000m_1.db`
file_clean_up t20000m_1.db
echo 20000M: `avg $elapsed1 $elapsed2 $elapsed3` 

# 24000M 
cache_clear
elapsed1=`sqlite3_import T24000M_1.csv T24000M_1 t24000m_1.db`
file_clean_up t24000m_1.db
cache_clear
elapsed2=`sqlite3_import T24000M_1.csv T24000M_1 t24000m_1.db`
file_clean_up t24000m_1.db
cache_clear
elapsed3=`sqlite3_import T24000M_1.csv T24000M_1 t24000m_1.db`
file_clean_up t24000m_1.db
echo 24000M: `avg $elapsed1 $elapsed2 $elapsed3` 

# 28000M 
cache_clear
elapsed1=`sqlite3_import T28000M_1.csv T28000M_1 t28000m_1.db`
file_clean_up t28000m_1.db
cache_clear
elapsed2=`sqlite3_import T28000M_1.csv T28000M_1 t28000m_1.db`
file_clean_up t28000m_1.db
cache_clear
elapsed3=`sqlite3_import T28000M_1.csv T28000M_1 t28000m_1.db`
file_clean_up t28000m_1.db
echo 28000M: `avg $elapsed1 $elapsed2 $elapsed3` 

# 32000M 
cache_clear
elapsed1=`sqlite3_import T32000M_1.csv T32000M_1 t32000m_1.db`
file_clean_up t32000m_1.db
cache_clear
elapsed2=`sqlite3_import T32000M_1.csv T32000M_1 t32000m_1.db`
file_clean_up t32000m_1.db
cache_clear
elapsed3=`sqlite3_import T32000M_1.csv T32000M_1 t32000m_1.db`
file_clean_up t32000m_1.db
echo 32000M: `avg $elapsed1 $elapsed2 $elapsed3` 

# 36000M 
cache_clear
elapsed1=`sqlite3_import T36000M_1.csv T36000M_1 t36000m_1.db`
file_clean_up t36000m_1.db
cache_clear
elapsed2=`sqlite3_import T36000M_1.csv T36000M_1 t36000m_1.db`
file_clean_up t36000m_1.db
cache_clear
elapsed3=`sqlite3_import T36000M_1.csv T36000M_1 t36000m_1.db`
file_clean_up t36000m_1.db
echo 36000M: `avg $elapsed1 $elapsed2 $elapsed3` 

# 40000M 
cache_clear
elapsed1=`sqlite3_import T40000M_1.csv T40000M_1 t40000m_1.db`
file_clean_up t40000m_1.db
cache_clear
elapsed2=`sqlite3_import T40000M_1.csv T40000M_1 t40000m_1.db`
file_clean_up t40000m_1.db
cache_clear
elapsed3=`sqlite3_import T40000M_1.csv T40000M_1 t40000m_1.db`
file_clean_up t40000m_1.db
echo 40000M: `avg $elapsed1 $elapsed2 $elapsed3`

CSV ファイルインポートでのファイルサイズと処理時間の関係（PostgreSQL を使用）

#/bin/bash
function elapsed() {
    echo `python3 -c "import sys; print( float(sys.argv[2]) - float(sys.argv[1]) )" $1 $2`
    return
}

function avg() {
    echo `python3 -c 'import sys; print("%.3f" % ((float(sys.argv[1]) + float(sys.argv[2]) + float(sys.argv[3])) / 3.0) )' $1 $2 $3`
    return
}

# キャッシュのクリア（PageCache, dentries and inodes）
function cache_clear() {
    /usr/bin/sync
    /usr/bin/sync
    /usr/bin/sync
    /usr/bin/sync
    /usr/bin/sync
    sleep 3
    sudo sysctl -w vm.drop_caches=3 > /dev/null
    echo 3 | sudo tee -a /proc/sys/vm/drop_caches > /dev/null
    return
}

F=/etc/postgresql/12/main/postgresql.conf

function archive_mode_on() {
sudo sed -i 's/#wal_level = minimal/wal_level = minimal/g' $F
sudo sed -i 's/#wal_level = replica/wal_level = minimal/g' $F
sudo sed -i 's/wal_level = replica/wal_level = minimal/g' $F
sudo sed -i 's/#wal_level = logical/wal_level = minimal/g' $F
sudo sed -i 's/wal_level = logical/wal_level = minimal/g' $F
}

function archive_mode_off() {
sudo sed -i 's/#wal_level = minimal/wal_level = replica/g' $F
sudo sed -i 's/wal_level = minimal/wal_level = replica/g' $F
sudo sed -i 's/#wal_level = replica/wal_level = replica/g' $F
sudo sed -i 's/#wal_level = logical/wal_level = replica/g' $F
sudo sed -i 's/wal_level = logical/wal_level = replica/g' $F
}

# $1: CSV file name, $2: Table name, $3: PostgreSQL Database name
function psql_import() {
# クリーンアップ（clean up）
echo "drop database if exists $3" | sudo -u postgres psql -U postgres > /dev/null
cache_clear
sudo service postgresql stop
cache_clear
sudo rm -rf /var/lib/postgresql/data
sudo mkdir /var/lib/postgresql/data
sudo chown -R postgres:postgres /var/lib/postgresql/data
sudo -u postgres /usr/lib/postgresql/12/bin/initdb --encoding=UTF-8 --locale=ja_JP.UTF8 -D /var/lib/postgresql/data > /dev/null
sudo service postgresql start
echo "create database $3 owner postgres encoding 'UTF8';" | sudo -u postgres psql -U postgres 1>/dev/null 2>/dev/null
#
cat $4 | sudo -u postgres psql -U postgres -d $3 > /dev/null
rm -f psql_import.sql

# インポートのプログラム
cat >psql_import.sql<<EOF
truncate $2;
copy $2 from '`pwd`/$1' with csv header;
\q
EOF

    start=`date +%s.%N`
    cat psql_import.sql | sudo -u postgres time psql -U postgres -d $3 --single-transaction --quiet 1>/dev/null 2>/dev/null
    current=`date +%s.%N`
    echo `elapsed $start $current`
    return
}

#
archive_mode_off

# 250M 
cache_clear
elapsed1=`psql_import T250M_1.csv T250M_1 t250m_1_db T250M_1.sql`
cache_clear
elapsed2=`psql_import T250M_1.csv T250M_1 t250m_1_db T250M_1.sql`
cache_clear
elapsed3=`psql_import T250M_1.csv T250M_1 t250m_1_db T250M_1.sql`
echo 250M: `avg $elapsed1 $elapsed2 $elapsed3` 

# 500M 
cache_clear
elapsed1=`psql_import T500M_1.csv T500M_1 t500m_1_db T500M_1.sql`
cache_clear
elapsed2=`psql_import T500M_1.csv T500M_1 t500m_1_db T500M_1.sql`
cache_clear
elapsed3=`psql_import T500M_1.csv T500M_1 t500m_1_db T500M_1.sql`
echo 500M: `avg $elapsed1 $elapsed2 $elapsed3` 

# 1000M 
cache_clear
elapsed1=`psql_import T1000M_1.csv T1000M_1 t1000m_1_db T1000M_1.sql`
cache_clear
elapsed2=`psql_import T1000M_1.csv T1000M_1 t1000m_1_db T1000M_1.sql`
cache_clear
elapsed3=`psql_import T1000M_1.csv T1000M_1 t1000m_1_db T1000M_1.sql`
echo 1000M: `avg $elapsed1 $elapsed2 $elapsed3` 

# 2000M 
cache_clear
elapsed1=`psql_import T2000M_1.csv T2000M_1 t2000m_1_db T2000M_1.sql`
cache_clear
elapsed2=`psql_import T2000M_1.csv T2000M_1 t2000m_1_db T2000M_1.sql`
cache_clear
elapsed3=`psql_import T2000M_1.csv T2000M_1 t2000m_1_db T2000M_1.sql`
echo 2000M: `avg $elapsed1 $elapsed2 $elapsed3` 

# 4000M 
cache_clear
elapsed1=`psql_import T4000M_1.csv T4000M_1 t4000m_1_db T4000M_1.sql`
cache_clear
elapsed2=`psql_import T4000M_1.csv T4000M_1 t4000m_1_db T4000M_1.sql`
cache_clear
elapsed3=`psql_import T4000M_1.csv T4000M_1 t4000m_1_db T4000M_1.sql`
echo 4000M: `avg $elapsed1 $elapsed2 $elapsed3` 

# 8000M 
cache_clear
elapsed1=`psql_import T8000M_1.csv T8000M_1 t8000m_1_db T8000M_1.sql`
cache_clear
elapsed2=`psql_import T8000M_1.csv T8000M_1 t8000m_1_db T8000M_1.sql`
cache_clear
elapsed3=`psql_import T8000M_1.csv T8000M_1 t8000m_1_db T8000M_1.sql`
echo 8000M: `avg $elapsed1 $elapsed2 $elapsed3` 

# 12000M 
cache_clear
elapsed1=`psql_import T12000M_1.csv T12000M_1 t12000m_1_db T12000M_1.sql`
cache_clear
elapsed2=`psql_import T12000M_1.csv T12000M_1 t12000m_1_db T12000M_1.sql`
cache_clear
elapsed3=`psql_import T12000M_1.csv T12000M_1 t12000m_1_db T12000M_1.sql`
echo 12000M: `avg $elapsed1 $elapsed2 $elapsed3`