我有数千万行要从多维数组文件传输到PostgreSQL数据库.我的工具是Python和psycopg2.批量存储Insert数据的最有效方法是使用copy_from.然而,我的数据大多是32位浮点数(实数或浮点4),所以我不想从实数转换→ 文本→ 真实的下面是一个数据库DDL示例:

CREATE TABLE num_data
(
  id serial PRIMARY KEY NOT NULL,
  node integer NOT NULL,
  ts smallint NOT NULL,
  val1 real,
  val2 double precision
);

以下是我对使用字符串(文本)的Python的理解:

# Just one row of data
num_row = [23253, 342, -15.336734, 2494627.949375]

import psycopg2
# Python3:
from io import StringIO
# Python2, use: from cStringIO import StringIO

conn = psycopg2.connect("dbname=mydb user=postgres")
curs = conn.cursor()

# Convert floating point numbers to text, write to COPY input
cpy = StringIO()
cpy.write('\t'.join([repr(x) for x in num_row]) + '\n')

# Insert data; database converts text back to floating point numbers
cpy.seek(0)
curs.copy_from(cpy, 'num_data', columns=('node', 'ts', 'val1', 'val2'))
conn.commit()

有没有一种等效的方法可以使用二进制模式工作?也就是说,将浮点数保持为二进制?这不仅可以保持浮点精度,而且可以更快.

(注意:要查看与示例相同的精度,请使用SET extra_float_digits='2')

推荐答案

以下是Python 3的复制源的二进制类似功能:

from io import BytesIO
from struct import pack
import psycopg2

# Two rows of data; "id" is not in the upstream data source
# Columns: node, ts, val1, val2
data = [(23253, 342, -15.336734, 2494627.949375),
        (23256, 348, 43.23524, 2494827.949375)]

conn = psycopg2.connect("dbname=mydb user=postgres")
curs = conn.cursor()

# Determine starting value for sequence
curs.execute("SELECT nextval('num_data_id_seq')")
id_seq = curs.fetchone()[0]

# Make a binary file object for COPY FROM
cpy = BytesIO()
# 11-byte signature, no flags, no header extension
cpy.write(pack('!11sii', b'PGCOPY\n\377\r\n\0', 0, 0))

# Columns: id, node, ts, val1, val2
# Zip: (column position, format, size)
row_format = list(zip(range(-1, 4),
                      ('i', 'i', 'h', 'f', 'd'),
                      ( 4,   4,   2,   4,   8 )))
for row in data:
    # Number of columns/fields (always 5)
    cpy.write(pack('!h', 5))
    for col, fmt, size in row_format:
        value = (id_seq if col == -1 else row[col])
        cpy.write(pack('!i' + fmt, size, value))
    id_seq += 1  # manually increment sequence outside of database

# File trailer
cpy.write(pack('!h', -1))

# Copy data to database
cpy.seek(0)
curs.copy_expert("COPY num_data FROM STDIN WITH BINARY", cpy)

# Update sequence on database
curs.execute("SELECT setval('num_data_id_seq', %s, false)", (id_seq,))
conn.commit()

Update

我重写了上面的方法来编写文件以供复制.我在Python中的数据是NumPy数组,所以使用这些数组是有意义的.下面是一个data行7列的例子:

import psycopg2
import numpy as np
from struct import pack
from io import BytesIO
from datetime import datetime

conn = psycopg2.connect("dbname=mydb user=postgres")
curs = conn.cursor()

# NumPy record array
shape = (7, 2000, 500)
print('Generating data with %i rows, %i columns' % (shape[1]*shape[2], shape[0]))

dtype = ([('id', 'i4'), ('node', 'i4'), ('ts', 'i2')] +
         [('s' + str(x), 'f4') for x in range(shape[0])])
data = np.empty(shape[1]*shape[2], dtype)
data['id'] = np.arange(shape[1]*shape[2]) + 1
data['node'] = np.tile(np.arange(shape[1]) + 1, shape[2])
data['ts'] = np.repeat(np.arange(shape[2]) + 1, shape[1])
data['s0'] = np.random.rand(shape[1]*shape[2]) * 100
prv = 's0'
for nxt in data.dtype.names[4:]:
    data[nxt] = data[prv] + np.random.rand(shape[1]*shape[2]) * 10
    prv = nxt

在我的数据库中,有两个表:

CREATE TABLE num_data_binary
(
  id integer PRIMARY KEY,
  node integer NOT NULL,
  ts smallint NOT NULL,
  s0 real,
  s1 real,
  s2 real,
  s3 real,
  s4 real,
  s5 real,
  s6 real
) WITH (OIDS=FALSE);

和另一个类似的表名为num_data_text.

下面是一些简单的帮助函数,可以使用NumPy记录数组中的信息为复制(文本和二进制格式)准备数据:

def prepare_text(dat):
    cpy = BytesIO()
    for row in dat:
        cpy.write('\t'.join([repr(x) for x in row]) + '\n')
    return(cpy)

def prepare_binary(dat):
    pgcopy_dtype = [('num_fields','>i2')]
    for field, dtype in dat.dtype.descr:
        pgcopy_dtype += [(field + '_length', '>i4'),
                         (field, dtype.replace('<', '>'))]
    pgcopy = np.empty(dat.shape, pgcopy_dtype)
    pgcopy['num_fields'] = len(dat.dtype)
    for i in range(len(dat.dtype)):
        field = dat.dtype.names[i]
        pgcopy[field + '_length'] = dat.dtype[i].alignment
        pgcopy[field] = dat[field]
    cpy = BytesIO()
    cpy.write(pack('!11sii', b'PGCOPY\n\377\r\n\0', 0, 0))
    cpy.write(pgcopy.tostring())  # all rows
    cpy.write(pack('!h', -1))  # file trailer
    return(cpy)

以下是我如何使用helper函数对两种复制格式方法进行基准测试:

def time_pgcopy(dat, table, binary):
    print('Processing copy object for ' + table)
    tstart = datetime.now()
    if binary:
        cpy = prepare_binary(dat)
    else:  # text
        cpy = prepare_text(dat)
    tendw = datetime.now()
    print('Copy object prepared in ' + str(tendw - tstart) + '; ' +
          str(cpy.tell()) + ' bytes; transfering to database')
    cpy.seek(0)
    if binary:
        curs.copy_expert('COPY ' + table + ' FROM STDIN WITH BINARY', cpy)
    else:  # text
        curs.copy_from(cpy, table)
    conn.commit()
    tend = datetime.now()
    print('Database copy time: ' + str(tend - tendw))
    print('        Total time: ' + str(tend - tstart))
    return

time_pgcopy(data, 'num_data_text', binary=False)
time_pgcopy(data, 'num_data_binary', binary=True)

以下是最后两个time_pgcopy命令的输出:

Processing copy object for num_data_text
Copy object prepared in 0:01:15.288695; 84355016 bytes; transfering to database
Database copy time: 0:00:37.929166
        Total time: 0:01:53.217861
Processing copy object for num_data_binary
Copy object prepared in 0:00:01.296143; 80000021 bytes; transfering to database
Database copy time: 0:00:23.325952
        Total time: 0:00:24.622095

所以两个小矮人→ 文件和文件→ 使用二进制方法,数据库步骤要快得多.明显的区别在于Python如何准备拷贝文件,这对于文本来说非常慢.一般来说,二进制格式作为该模式的文本格式在2/3的时间内加载到数据库中.

最后,我比较了数据库中两个表中的值,看看数字是否不同.对于第s0列,大约1.46%的行具有不同的值,而对于第s6列,这一比例增加到6.17%(可能与我使用的随机方法有关).所有70M 32位浮点值之间的非零绝对差在9.3132257e-010和7.6293945e-006之间.文本加载方法和二进制加载方法之间的这些微小差异是由于浮点的精度损失造成的→ 文本→ 文本格式方法所需的浮点转换.

Postgresql相关问答推荐

如何获取一定范围内数据的总计数?

在输入稍有错误的PostgreSQL表中进行快速字符串搜索

为什么32632投影中的几何图形并不完美?

列不明确

有没有一种方法可以在参数中添加密码,并在批处理文件中需要时自动获取密码?

Postgres 对 WHERE 子句并行使用两个索引

Prisma:获取连接的活动 Postgresql 模式的名称

在连接字符串并将其附加到 PostgreSQL 中的 where 子句时出现语法错误.怎么修?

如何在plpgsql中找到一行中的最大值?

有没有办法使用postgresql将具有不同ID的同一行多次添加到表中?

如何在 Sequelize ORM 中插入 PostGIS GEOMETRY 点?

安装 pg gem 失败,mkmf.rb 找不到 ruby​​ 的头文件(Mac OSX 10.6.5)

Select 日期最高的行

是否可以在 Postgres 中存储一个 1 字节的数字?

从 PostgreSQL 中的时间戳获取日期

manage.py 迁移时必须是关系 django_site 的所有者

Postgresql - 更新规则 - 可能有一个最后修改日期,自动更新该行的on update?

如何使用 PostgreSQL 触发器来存储更改(SQL 语句和行更改)

使用 Postgresql 数据库(OSX Lion)创建 Rails 3.1 应用程序

PostgreSQL 无法启动:server.key具有组或世界访问权限