Optimizar SQLite es complicado. ¡El rendimiento de inserción masiva de una aplicación C puede variar de 85 insertos por segundo a más de 96,000 insertos por segundo!
Antecedentes: estamos usando SQLite como parte de una aplicación de escritorio. Tenemos grandes cantidades de datos de configuración almacenados en archivos XML que se analizan y cargan en una base de datos SQLite para su posterior procesamiento cuando se inicializa la aplicación. SQLite es ideal para esta situación porque es rápido, no requiere una configuración especializada y la base de datos se almacena en el disco como un solo archivo.
Justificación: Inicialmente estaba decepcionado con el rendimiento que estaba viendo. Resulta que el rendimiento de SQLite puede variar significativamente (tanto para inserciones masivas como para selecciones) dependiendo de cómo esté configurada la base de datos y cómo esté utilizando la API. No era un asunto trivial descubrir cuáles eran todas las opciones y técnicas, por lo que pensé que era prudente crear esta entrada de la wiki comunitaria para compartir los resultados con los lectores de Stack Overflow con el fin de salvar a otros el problema de las mismas investigaciones.
El experimento: en lugar de simplemente hablar sobre consejos de rendimiento en el sentido general (es decir, "¡Use una transacción!" ), Pensé que era mejor escribir un código C y medir el impacto de varias opciones. Vamos a comenzar con algunos datos simples:
- Un archivo de texto delimitado por TAB de 28 MB (aproximadamente 865,000 registros) del horario de tránsito completo para la ciudad de Toronto
- Mi máquina de prueba es una P4 de 3.60 GHz con Windows XP.
- El código se compila con Visual C ++ 2005 como "Release" con "Optimización completa" (/ Ox) y Favorece el código rápido (/ Ot).
- Estoy usando la "Amalgamación" SQLite, compilada directamente en mi aplicación de prueba. La versión de SQLite que tengo es un poco más antigua (3.6.7), pero sospecho que estos resultados serán comparables a la última versión (deje un comentario si piensa lo contrario).
¡Escribamos un código!
El Código: un programa simple en C que lee el archivo de texto línea por línea, divide la cadena en valores y luego inserta los datos en una base de datos SQLite. En esta versión "básica" del código, se crea la base de datos, pero en realidad no insertaremos datos:
/*************************************************************
Baseline code to experiment with SQLite performance.
Input data is a 28 MB TAB-delimited text file of the
complete Toronto Transit System schedule/route info
from http://www.toronto.ca/open/datasets/ttc-routes/
**************************************************************/
#include <stdio.h>
#include <stdlib.h>
#include <time.h>
#include <string.h>
#include "sqlite3.h"
#define INPUTDATA "C:\\TTC_schedule_scheduleitem_10-27-2009.txt"
#define DATABASE "c:\\TTC_schedule_scheduleitem_10-27-2009.sqlite"
#define TABLE "CREATE TABLE IF NOT EXISTS TTC (id INTEGER PRIMARY KEY, Route_ID TEXT, Branch_Code TEXT, Version INTEGER, Stop INTEGER, Vehicle_Index INTEGER, Day Integer, Time TEXT)"
#define BUFFER_SIZE 256
int main(int argc, char **argv) {
sqlite3 * db;
sqlite3_stmt * stmt;
char * sErrMsg = 0;
char * tail = 0;
int nRetCode;
int n = 0;
clock_t cStartClock;
FILE * pFile;
char sInputBuf [BUFFER_SIZE] = "\0";
char * sRT = 0; /* Route */
char * sBR = 0; /* Branch */
char * sVR = 0; /* Version */
char * sST = 0; /* Stop Number */
char * sVI = 0; /* Vehicle */
char * sDT = 0; /* Date */
char * sTM = 0; /* Time */
char sSQL [BUFFER_SIZE] = "\0";
/*********************************************/
/* Open the Database and create the Schema */
sqlite3_open(DATABASE, &db);
sqlite3_exec(db, TABLE, NULL, NULL, &sErrMsg);
/*********************************************/
/* Open input file and import into Database*/
cStartClock = clock();
pFile = fopen (INPUTDATA,"r");
while (!feof(pFile)) {
fgets (sInputBuf, BUFFER_SIZE, pFile);
sRT = strtok (sInputBuf, "\t"); /* Get Route */
sBR = strtok (NULL, "\t"); /* Get Branch */
sVR = strtok (NULL, "\t"); /* Get Version */
sST = strtok (NULL, "\t"); /* Get Stop Number */
sVI = strtok (NULL, "\t"); /* Get Vehicle */
sDT = strtok (NULL, "\t"); /* Get Date */
sTM = strtok (NULL, "\t"); /* Get Time */
/* ACTUAL INSERT WILL GO HERE */
n++;
}
fclose (pFile);
printf("Imported %d records in %4.2f seconds\n", n, (clock() - cStartClock) / (double)CLOCKS_PER_SEC);
sqlite3_close(db);
return 0;
}
El control"
Ejecutar el código tal como está en realidad no realiza ninguna operación de base de datos, pero nos dará una idea de cuán rápido son las operaciones de procesamiento de cadenas y E / S del archivo C sin procesar.
Importó 864913 registros en 0.94 segundos
¡Excelente! Podemos hacer 920,000 inserciones por segundo, siempre que no hagamos ninguna inserción :-)
El "peor de los casos"
Vamos a generar la cadena SQL usando los valores leídos del archivo e invocar esa operación SQL usando sqlite3_exec:
sprintf(sSQL, "INSERT INTO TTC VALUES (NULL, '%s', '%s', '%s', '%s', '%s', '%s', '%s')", sRT, sBR, sVR, sST, sVI, sDT, sTM);
sqlite3_exec(db, sSQL, NULL, NULL, &sErrMsg);
Esto va a ser lento porque el SQL se compilará en el código VDBE para cada inserción y cada inserción ocurrirá en su propia transacción. Que lento
Importó 864913 registros en 9933.61 segundos
¡Ay! ¡2 horas y 45 minutos! Eso es solo 85 inserciones por segundo.
Usando una transacción
Por defecto, SQLite evaluará cada instrucción INSERT / UPDATE dentro de una transacción única. Si realiza una gran cantidad de inserciones, es recomendable ajustar su operación en una transacción:
sqlite3_exec(db, "BEGIN TRANSACTION", NULL, NULL, &sErrMsg);
pFile = fopen (INPUTDATA,"r");
while (!feof(pFile)) {
...
}
fclose (pFile);
sqlite3_exec(db, "END TRANSACTION", NULL, NULL, &sErrMsg);
Importó 864913 registros en 38.03 segundos
Eso es mejor. Simplemente envolviendo todos nuestros insertos en una sola transacción mejoró nuestro rendimiento a 23,000 insertos por segundo.
Usar una declaración preparada
Usar una transacción fue una gran mejora, pero recompilar la instrucción SQL para cada inserción no tiene sentido si usamos el mismo SQL una y otra vez. Usemos sqlite3_prepare_v2para compilar nuestra declaración SQL una vez y luego unir nuestros parámetros a esa declaración usando sqlite3_bind_text:
/* Open input file and import into the database */
cStartClock = clock();
sprintf(sSQL, "INSERT INTO TTC VALUES (NULL, @RT, @BR, @VR, @ST, @VI, @DT, @TM)");
sqlite3_prepare_v2(db, sSQL, BUFFER_SIZE, &stmt, &tail);
sqlite3_exec(db, "BEGIN TRANSACTION", NULL, NULL, &sErrMsg);
pFile = fopen (INPUTDATA,"r");
while (!feof(pFile)) {
fgets (sInputBuf, BUFFER_SIZE, pFile);
sRT = strtok (sInputBuf, "\t"); /* Get Route */
sBR = strtok (NULL, "\t"); /* Get Branch */
sVR = strtok (NULL, "\t"); /* Get Version */
sST = strtok (NULL, "\t"); /* Get Stop Number */
sVI = strtok (NULL, "\t"); /* Get Vehicle */
sDT = strtok (NULL, "\t"); /* Get Date */
sTM = strtok (NULL, "\t"); /* Get Time */
sqlite3_bind_text(stmt, 1, sRT, -1, SQLITE_TRANSIENT);
sqlite3_bind_text(stmt, 2, sBR, -1, SQLITE_TRANSIENT);
sqlite3_bind_text(stmt, 3, sVR, -1, SQLITE_TRANSIENT);
sqlite3_bind_text(stmt, 4, sST, -1, SQLITE_TRANSIENT);
sqlite3_bind_text(stmt, 5, sVI, -1, SQLITE_TRANSIENT);
sqlite3_bind_text(stmt, 6, sDT, -1, SQLITE_TRANSIENT);
sqlite3_bind_text(stmt, 7, sTM, -1, SQLITE_TRANSIENT);
sqlite3_step(stmt);
sqlite3_clear_bindings(stmt);
sqlite3_reset(stmt);
n++;
}
fclose (pFile);
sqlite3_exec(db, "END TRANSACTION", NULL, NULL, &sErrMsg);
printf("Imported %d records in %4.2f seconds\n", n, (clock() - cStartClock) / (double)CLOCKS_PER_SEC);
sqlite3_finalize(stmt);
sqlite3_close(db);
return 0;
Importó 864913 registros en 16.27 segundos
¡Agradable! Hay un poco más de código (no olvides llamar sqlite3_clear_bindingsy sqlite3_reset), pero hemos más que duplicado nuestro rendimiento a 53,000 inserciones por segundo.
PRAGMA síncrono = OFF
Por defecto, SQLite hará una pausa después de emitir un comando de escritura a nivel del sistema operativo. Esto garantiza que los datos se escriban en el disco. Al configurar synchronous = OFF, le estamos ordenando a SQLite que simplemente entregue los datos al sistema operativo para escribir y luego continuar. Existe la posibilidad de que el archivo de la base de datos se corrompa si la computadora sufre un bloqueo catastrófico (o falla de energía) antes de que los datos se escriban en la bandeja:
/* Open the database and create the schema */
sqlite3_open(DATABASE, &db);
sqlite3_exec(db, TABLE, NULL, NULL, &sErrMsg);
sqlite3_exec(db, "PRAGMA synchronous = OFF", NULL, NULL, &sErrMsg);
Importó 864913 registros en 12.41 segundos
Las mejoras ahora son más pequeñas, pero tenemos hasta 69,600 inserciones por segundo.
PRAGMA journal_mode = MEMORIA
Considere almacenar el diario de reversión en la memoria mediante la evaluación PRAGMA journal_mode = MEMORY. Su transacción será más rápida, pero si pierde energía o su programa se bloquea durante una transacción, su base de datos podría quedar en un estado corrupto con una transacción parcialmente completada:
/* Open the database and create the schema */
sqlite3_open(DATABASE, &db);
sqlite3_exec(db, TABLE, NULL, NULL, &sErrMsg);
sqlite3_exec(db, "PRAGMA journal_mode = MEMORY", NULL, NULL, &sErrMsg);
Importó 864913 registros en 13.50 segundos
Un poco más lento que la optimización anterior a 64,000 inserciones por segundo.
PRAGMA síncrono = APAGADO y PRAGMA journal_mode = MEMORIA
Combinemos las dos optimizaciones anteriores. Es un poco más arriesgado (en caso de un colapso), pero solo estamos importando datos (no operando un banco):
/* Open the database and create the schema */
sqlite3_open(DATABASE, &db);
sqlite3_exec(db, TABLE, NULL, NULL, &sErrMsg);
sqlite3_exec(db, "PRAGMA synchronous = OFF", NULL, NULL, &sErrMsg);
sqlite3_exec(db, "PRAGMA journal_mode = MEMORY", NULL, NULL, &sErrMsg);
Importó 864913 registros en 12.00 segundos
¡Fantástico! Podemos hacer 72,000 inserciones por segundo.
Usar una base de datos en memoria
Solo por diversión, desarrollemos todas las optimizaciones anteriores y redefinamos el nombre de archivo de la base de datos para que trabajemos completamente en RAM:
#define DATABASE ":memory:"Importó 864913 registros en 10.94 segundos
No es muy práctico almacenar nuestra base de datos en RAM, pero es impresionante que podamos realizar 79,000 inserciones por segundo.
Refactorizando el Código C
Aunque no es específicamente una mejora de SQLite, no me gustan las char*operaciones de asignación adicionales en el whileciclo. Refactoricemos rápidamente ese código para pasar la salida strtok()directamente sqlite3_bind_text()y dejemos que el compilador intente acelerar las cosas por nosotros:
pFile = fopen (INPUTDATA,"r");
while (!feof(pFile)) {
fgets (sInputBuf, BUFFER_SIZE, pFile);
sqlite3_bind_text(stmt, 1, strtok (sInputBuf, "\t"), -1, SQLITE_TRANSIENT); /* Get Route */
sqlite3_bind_text(stmt, 2, strtok (NULL, "\t"), -1, SQLITE_TRANSIENT); /* Get Branch */
sqlite3_bind_text(stmt, 3, strtok (NULL, "\t"), -1, SQLITE_TRANSIENT); /* Get Version */
sqlite3_bind_text(stmt, 4, strtok (NULL, "\t"), -1, SQLITE_TRANSIENT); /* Get Stop Number */
sqlite3_bind_text(stmt, 5, strtok (NULL, "\t"), -1, SQLITE_TRANSIENT); /* Get Vehicle */
sqlite3_bind_text(stmt, 6, strtok (NULL, "\t"), -1, SQLITE_TRANSIENT); /* Get Date */
sqlite3_bind_text(stmt, 7, strtok (NULL, "\t"), -1, SQLITE_TRANSIENT); /* Get Time */
sqlite3_step(stmt); /* Execute the SQL Statement */
sqlite3_clear_bindings(stmt); /* Clear bindings */
sqlite3_reset(stmt); /* Reset VDBE */
n++;
}
fclose (pFile);
Nota: Hemos vuelto a usar un archivo de base de datos real. Las bases de datos en memoria son rápidas, pero no necesariamente prácticas.
Importó 864913 registros en 8.94 segundos
Una ligera refactorización del código de procesamiento de cadenas utilizado en nuestro enlace de parámetros nos ha permitido realizar 96.700 inserciones por segundo. Creo que es seguro decir que esto es bastante rápido . Cuando empecemos a ajustar otras variables (es decir, tamaño de página, creación de índice, etc.), este será nuestro punto de referencia.
Resumen (hasta ahora)
¡Espero que sigas conmigo! La razón por la que comenzamos en este camino es que el rendimiento de inserción masiva varía enormemente con SQLite, y no siempre es obvio qué cambios deben hacerse para acelerar nuestra operación. Usando el mismo compilador (y opciones de compilador), la misma versión de SQLite y los mismos datos hemos optimizado nuestro código y nuestro uso de SQLite para pasar del peor de los casos de 85 inserciones por segundo a más de 96,000 inserciones por segundo.
CREAR ÍNDICE luego INSERTAR vs INSERTAR luego CREAR ÍNDICE
Antes de comenzar a medir el SELECTrendimiento, sabemos que crearemos índices. Se ha sugerido en una de las respuestas a continuación que cuando se realizan inserciones masivas, es más rápido crear el índice después de que se hayan insertado los datos (en lugar de crear el índice primero y luego insertar los datos). Intentemos:
Crear índice y luego insertar datos
sqlite3_exec(db, "CREATE INDEX 'TTC_Stop_Index' ON 'TTC' ('Stop')", NULL, NULL, &sErrMsg);
sqlite3_exec(db, "BEGIN TRANSACTION", NULL, NULL, &sErrMsg);
...
Importó 864913 registros en 18.13 segundos
Insertar datos y luego crear índice
...
sqlite3_exec(db, "END TRANSACTION", NULL, NULL, &sErrMsg);
sqlite3_exec(db, "CREATE INDEX 'TTC_Stop_Index' ON 'TTC' ('Stop')", NULL, NULL, &sErrMsg);
Importó 864913 registros en 13.66 segundos
Como se esperaba, las inserciones masivas son más lentas si se indexa una columna, pero sí hace una diferencia si el índice se crea después de insertar los datos. Nuestra línea de base sin índice es de 96,000 insertos por segundo. Crear el índice primero y luego insertar datos nos da 47,700 inserciones por segundo, mientras que insertar los datos primero y luego crear el índice nos da 63,300 inserciones por segundo.
Con gusto tomaría sugerencias para otros escenarios para probar ... Y pronto estaré compilando datos similares para consultas SELECT.
sqlite3_clear_bindings(stmt);? Establece los enlaces cada vez que debería ser suficiente: antes de llamar a sqlite3_step () por primera vez o inmediatamente después de sqlite3_reset (), la aplicación puede invocar una de las interfaces sqlite3_bind () para adjuntar valores a los parámetros. Cada llamada a sqlite3_bind () anula los enlaces anteriores en el mismo parámetro (ver: sqlite.org/cintro.html ). No hay nada en los documentos para esa función que indique que debe llamarlo.
feof()para controlar la terminación de su ciclo de entrada. Use el resultado devuelto por fgets(). stackoverflow.com/a/15485689/827263