导入到MySQl1一个简单的ETL程序小实现闲话编程Contents还原原始数据库 ....................................................................................... 1导入到MySQl ......................................................................................... 1整体架构这两天闲着没事准备玩一下社工库，网上有很多以前的社工库（这些都可以下载到，但是实际上已经没有什么太大的价值了，因为暴露时间太久，以及相关的网站都已经做了处理，所以别指望能够找到什么有价值的东西），通过社工库可以了解到的一个实际的数据就是，用户的设置的密码大都是什么样子的。我准备看一下搜云社工库，这个库大概亿多条数据，主要目的是实践一下大量数据的处理。还原原始数据库这个库（下载地址请自行搜索）下载完成之后是一个1.bak（的备份文件）文件，接近，网上有详细的教程如何导入，总结起来大致如下安装（标准版或者更高）将复制到的实例备份目录，否则会无法导入因为还原后的数据库占用空间在，所以要保证数据库的存储磁盘空间足够还原完成之后即可得到一个的数据表，里面有条数据。导入到MySQl因为最终希望能够在中使用数据，所以还得将数据迁移到中。最初的想法是直接将数据导出到，然后再通过导入。但是这个方法尝试了几次之后发现一些问题：数据中可能存在一些非可见字符，导致导出后的格式混乱莫名其妙的问题无法解析索性就直接放弃了这种方式，而是通过手写来完成迁移。于是设计了一个简陋的程序，还挺有意思的。整体架构的主要目的是把数据从一个地方转移迁移到另一个地方，这其中可能进行一些其他的操作比如清洗或者格式转换。整体的思路是这样的：有一个（源数据）和（目标数据源）执行的时候从源数据查询数据，然后保存到目标数据库中，为了提高效率，每次会查询一批数据，保存的时候也会一批一批保存为进一步提高性能，可以设定多个线程同时处理，为了避免冲突，每个线程不会处理同一条数据，是互斥的 导入到MySQl2ETL Enginepublic class Engine { private static final Logger logger = LoggerFactory.getLogger(Engine.class); private final int threads; private final int totalCount; private final int batchSize; private final HikariDataSource source; private final HikariDataSource destination; private final AtomicLong rangeSelector = new AtomicLong(0); private final List<Thread> tasks = new ArrayList<>(); public Engine(int threads, int totalCount, int batchSize) { this.threads = threads; this.totalCount = totalCount; this.batchSize = batchSize; this.source = new HikariDataSource(new HikariConfig("src/main/resources/source.properties")); this.destination = new HikariDataSource(new HikariConfig("src/main/resources/destination.properties")); }这个引擎担负管理任务的角色，有这些参数：可以设定多少个线程同时运行；设定一个作为任务结束的条件（当然也可以在查询不到数据的时候结束每一批的大小用来控制每个线程处理的数据，这里将直接用来区分同时直接初始化了两个数据库的连接池，这里选用的是连接池。public void run() throws InterruptedException { final CountDownLatch countDownLatch = new CountDownLatch(threads); for (int i = 0; i < threads; i++) { Thread thread = new Thread(new Task(source, destination, totalCount, rangeSelector, batchSize, countDownLatch)); tasks.add(thread); } tasks.forEach(Thread::start); countDownLatch.countDown(); countDownLatch.await();} 导入到MySQl3核心逻辑就是，启动个线程，然后一直等待到每个线程都结束，即完成了任务。Task对应到每个线程，每个线程处理的任务是一样的，只是处理的数据记录不同。public void run() { logger.info("ETL task {} running...", Thread.currentThread().getId()); try (Connection sourceConn = source.getConnection(); Connection destinationConn = destination.getConnection()) { while (true) { final long startId = rangeSelector.getAndAdd(batchSize); final long endId = startId + batchSize; if (startId > totalCount) { logger.info("Reached end of records:{} , task finished", startId); break; } job.doTransfer(sourceConn, destinationConn, startId, endId); } } catch (SQLException ex) { logger.error("Failed to get data source, ex"); } finally { logger.info("ETL task {} finished.", Thread.currentThread().getId()); countDownLatch.countDown(); }}处理过程也很简单，拿到一个之后，根据得到要获取的范围，然后委派给具体的去处理。当超出最大范围的时候，停止该线程。Job对应到具体每条数据该如何传输，会稍微麻烦一点。但本质还是然后，没什么技术含量。public class SeTransferJob implements TransferJob { private static final Logger logger = LoggerFactory.getLogger(SeTransferJob.class); private static final String query = "select * from sgk where id >? and id <=?"; private static final String insertSqlTemplate = "insert into se_record_%d(id, user_name, email, password, salt, source, remark) values (?,?,?,?,?,?,?);"; @Override public void doTransfer(Connection source, Connection target, long startId, long endId) { logger.info("Transferring records [{}, {}]", startId, endId); 导入到MySQl4 try { target.setAutoCommit(false); } catch (SQLException throwables) { throw new RuntimeException("Cannot open transaction"); } long tableIndex = (startId / 10000000) + 1; String insertSql = String.format(insertSqlTemplate, tableIndex); try (PreparedStatement queryStatement = source.prepareStatement(query); PreparedStatement saveStatement = target.prepareStatement(insertSql)) { queryStatement.setLong(1, startId); queryStatement.setLong(2, endId); try (ResultSet result = queryStatement.executeQuery()) { while (result.next()) { Record record = Record.from(result); if (!record.isValid()) { logger.warn("Found invaid record:{}", record); } else { record.attach(saveStatement); saveStatement.addBatch(); } } } saveStatement.executeBatch(); target.commit(); logger.info("Records [{}, {}] -> se_record_{} commited", startId, endId, tableIndex); } catch (SQLException ex) { logger.error("Unexpected sql error:", ex); throw new RuntimeException(ex); } }}这里因为数据量太大，做了一个分区的处理，直接按照来进行分区，每个表控制在千万以下。因此导入完成后，最终会有多个表，每个表有接近千万的数据。否则单表过大之后的插入性能会变得很低。以上就是整个的核心思想，还是有一定的扩展性的，哈哈。