前提
  由于工作的原因,经常需要对海量数据进行处理,做的数据爬虫相关,动辄千万级别的数据,单表几十个G都是都是家常便饭。  主要开发语言是C#,数据库使用的是MySQL。
  常见的操作便是 select 读取数据,然后在C#中对数据进行处理, 完毕后再插入数据库中。  简而言之 select -> process -> insert三个步骤。 对于数据量小的情况下(百万级别 or 几百兆)可能
  多1个小时处理完了。但是对于千万级数据可能几天,甚至更多。 那么问题来了,如何优化??
  (数据库的一览,有图有真相)
  第一步 解决读取的问题
  跟数据库打交道的方式有很多,我来列举下吧:
  1. 【重武器-坦克大炮】使用重型ORM框架,比如EF,NHibernat 这样的框架。
  2. 【轻武器-AK47】 使用Dapper,PetaPoco之类,单cs文件。灵活高效,使用简单。居家越货必备(我更喜欢PetaPoco :))
  3. 【冷兵器?匕首?】使用原生的Connection、Command。 然后写原生的SQL语句。。
  分析:
  【重武器】在我们这里肯定直接被PASS, 他们应该被用在大型项目中。
  【轻武器】Dapper,PetaPoco 看过源码你会发现用到了反射,虽然使用IL和缓存技术,但是还是会影响读取效率,PASS
  好吧那只有使用匕首,原生SQL走起, 利用DataReader 进行高效读取,并且使用索引取数据(更快),而不是列名。
  大概的代码如下:
using (var conn = new MySqlConnection("Connection String..."))
{
conn.Open();
//此处设置读取的超时,不然在海量数据时很容易超时
var c = new MySqlCommand("set net_write_timeout=9999999; set net_read_timeout=9999999", conn);
c.ExecuteNonQuery();
MySqlCommand rcmd = new MySqlCommand();
rcmd.Connection = conn;
rcmd.CommandText = @"SELECT `f1`,`f2` FROM `table1`";
//设置命令的执行超时
rcmd.CommandTimeout = 99999999;
var myData = rcmd.ExecuteReader();
while (myData.Read())
{
var f1= myData.GetInt32(0);
var f2= myData.GetString(1);
//这里做数据处理....
}
}
  哈哈,怎么样,代码非常原始,还是使用索引来取数据,很容易出错。  当然一切为了性能咱都忍了
  第二步 数据处理
  其实这一步,根据你的业务需要,代码肯定不一, 不过无非是一些字符串处理,类型转换的操作,这时候是考验你的C#基础功底的时候了。 以及如何高效编写正则表达式。。。
  具体代码也没法写啊 ,先看完CLR via C# 在来跟我讨论吧 ,O(∩_∩)O哈哈哈~ 跳过。。。。
  第三步 数据插入
  如何批量插入才高效呢?  有同学会说, 使用事务啊,BeginTransaction, 然后EndTransaction。 恩,这个的确可以提高插入效率。 但是还有更加高效的方法,那是合并insert语句。
  那么怎么合并呢?
  insert into table (f1,f2) values(1,'sss'),values(2,'bbbb'),values(3,'cccc');
  是把values后面的全部用逗号,链接起来,然后一次性执行 。
  当然不能一次性提交个100MB的SQL执行,MySQL服务器对每次执行命令的长度是有限制的。 通过 MySQL服务器端的max_allowed_packet  属性可以查看, 默认是1MB
  咱们来看看伪代码吧
//使用StringBuilder高效拼接字符串
var sqlBuilder = new StringBuilder();
//添加insert 语句的头
string sqlHeader = "insert into table1 (`f1`,`f2`) values";
sqlBuilder.Append(sqlHeader);
using (var conn = new MySqlConnection("Connection String..."))
{
conn.Open();
//此处设置读取的超时,不然在海量数据时很容易超时
var c = new MySqlCommand("set net_write_timeout=9999999; set net_read_timeout=9999999", conn);
c.ExecuteNonQuery();
MySqlCommand rcmd = new MySqlCommand();
rcmd.Connection = conn;
rcmd.CommandText = @"SELECT `f1`,`f2` FROM `table1`";
//设置命令的执行超时
rcmd.CommandTimeout = 99999999;
var myData = rcmd.ExecuteReader();
while (myData.Read())
{
var f1 = myData.GetInt32(0);
var f2 = myData.GetString(1);
//这里做数据处理....
sqlBuilder.AppendFormat("({0},'{1}'),", f1,AddSlash(f2));
if (sqlBuilder.Length >= 1024 * 1024 * 1024)//当然这里的1MB length的字符串并不等于 1MB的Packet。。。我知道:)
{
insertCmd.Execute(sqlBuilder.Remove(sqlBuilder.Length-1,1).ToString())//移除逗号,然后执行
sqlBuilder.Clear();//清空
sqlBuilder.Append(sqlHeader);//在加上insert 头
}
}
}
  好了,到这里 大概的优化后的高效查询、插入完成了。
  结语
  总结下来,无非2个关键技术点,DataReader、SQL合并,都是一些老的技术啦。
  其实,上面的代码只能称得上 高效 , 但是, 却非常的不优雅。。。甚至难看。。。
  那那么问题来了?  如何进行重构呢? 通过重构抽象出一个可用的类,而不必关心字符串拼接这些乱七八糟的东西,支持多线程合并写入,