如何在Java中实现多个线程来下载单个表数据？

Question

如何实现多个线程的多个/相同连接，以便快速下载单个大表数据。

实际上，在我的应用程序中，我正在下载一个包含 12 个 lac（1 lac = 100,000）条记录的表，在正常连接速度下下载至少需要 4 小时，而在连接速度较慢的情况下则需要更多小时。

因此需要在 Java 中实现多个线程来下载具有多个/相同连接对象的单个表数据。但不知道该怎么做。

如何在多个线程中定位一个记录指针，然后如何将所有线程记录添加到一个大文件中？？

提前致谢

Answer 1

首先，将如此庞大的数据获取并下载到客户端是不可取的。如果您需要用于显示目的的数据，那么您不需要更多适合您的屏幕的记录。您可以对数据进行分页并一次获取一页。如果您正在获取它并在内存中进行处理，那么您的客户端肯定会耗尽内存。

如果您需要执行此操作而不考虑建议，那么您可以生成多个线程，这些线程具有与数据库的单独连接，其中每个线程将提取一小部分数据（1 到多个页面）。如果您说 100K 记录和 100 个线程可用，那么每个线程可以提取 1K 记录。再次建议不要有 100 个线程和 100 个与 DB 的打开连接。这只是一个例子。将线程数限制为某个最佳值，并限制每个线程正在提取的记录数。您可以根据 rownum 限制从数据库中提取的记录数。

Answer 2

正如 Vikas 指出的那样，如果您正在将千兆字节的数据下载到客户端，那么您就做错了，正如他所说，您永远不需要下载更多适合您屏幕的记录.但是，如果您只是偶尔出于数据库复制或备份目的而需要这样做，只需使用 DBMS 的数据库导出功能并使用 DAP（或您喜欢的下载加速器）下载导出的文件。

Answer 3

看来“多线程从全表读取”有多种方式。

第零方式：如果您的问题只是“我用完 RAM 将整个表读入内存”，那么您可以尝试以某种方式一次处理一行（或一批行），然后处理下一批等. 从而避免将整个表加载到内存中（但仍然是单线程，因此可能很慢）。

第一种方式：让一个线程查询整个表，将单个行放入一个队列中，该队列为多个工作线程提供数据尽可能]。缺点：一次只有一个线程在查询初始数据库，这可能不会“最大化”您的数据库本身。优点：您没有重新运行查询，因此排序顺序不应在中途改变（例如，如果您的查询是 select * from table_name，则返回顺序有些随机，但如果您从同一个返回结果集/查询，你不会得到重复的）。你不会有意外的重复或类似的东西。这是 tutorial 这样做的。

第二种方式：分页，基本上每个线程都知道它应该选择哪个块（在这个例子中是XXX），所以它知道“我应该像select * from table_name order by something start with XXX limit 10一样查询表”。然后每个线程基本上一次处理（在这种情况下）10 [XXX 是线程之间由调用线程递增的共享变量]。

问题在于“按某事排序”，这意味着对于每个查询，数据库都必须对整个表进行排序，这可能会也可能不会，而且成本可能很高，尤其是在表末尾附近。如果它被索引，这应该不是问题。这里需要注意的是，如果数据中存在“空白”，您将执行一些无用的查询，但它们可能仍然很快。例如，如果您有一个 ID 列并且它大部分是连续的，那么您也许可以根据 ID 进行“分块”。

如果您有其他一些可以关闭的列，例如每个日期具有已知“数量”的日期列，并且它已被索引，那么您可以通过分块来避免“排序依据”按日期，例如select * from table_name where date < XXX and date > YYY（也没有限制子句，尽管您可以让线程使用限制子句来处理特定的唯一日期范围，随时更新或排序和分块，因为它的范围更小，痛苦更小）。

第三种方式：执行查询以“保留”表中的行，例如 update table_name set lock_column = my_thread_unique_key where column is nil limit 10，然后是查询 select * from table_name where lock_column = my_thread_unique_key。缺点：您确定您的数据库将其作为一个原子操作执行吗？如果不是，那么两个 setter 查询可能会发生冲突或类似情况，从而导致重复或部分批处理。当心。也许围绕“选择和更新”查询同步您的流程或适当地锁定表和/或行。这样可以避免可能的冲突（例如 postgres 需要特殊的 SERIALIZABLE 选项）。

第四种方式：（与第三条相关）如果您有很大的差距并希望避免“无用”查询，则最有用：创建一个新表，为您的初始表“编号”，并使用递增的 ID [基本上是一个临时表]。然后，您可以将该表按连续 ID 块划分，并使用它来引用第一个中的行。或者，如果您在表中已有一列（或可以添加一列）仅用于批处理目的，您可以将批处理 ID 分配给行，例如 update table_name set batch_number = rownum % 20000 然后每一行都有一个分配给自己的批处理号，线程可以分配批次（或分配“每第 9 批”或不分配）。或者类似地update table_name set row_counter_column=rownum（Oracle 示例，但你明白了）。然后你会有一组连续的数字来批量处理。

第五种方式：（不确定我是否真的推荐这个，但是）在插入时为每一行分配一个“随机”浮点数。然后，如果您知道数据库的大致大小，您可以剥离其中的一部分，例如，如果 100 并且您想要 100 批“其中 x = 0.02”等。 （灵感来自维基百科如何获得“随机”页面——在插入时为每一行分配一个随机浮点数）。

您真正要避免的事情是在中途对排序顺序进行某种更改。例如，如果您没有指定排序顺序，而只是像这样从多个线程查询select * from table_name start by XXX limit 10，那么可以想象数据库将 [因为没有指定排序元素] 更改它返回给您行的顺序 中途 [例如，如果添加了新数据] 意味着您可以跳过行或不跳过。

Using Hibernate's ScrollableResults to slowly read 90 million records也有一些相关的想法（尤其是针对hibernate用户）。

另一种选择是，如果您知道某个列（例如“id”）大部分是连续的，则可以“按块”迭代该列（获取最大值，然后对块进行数字迭代）。或者其他一些“可分块”的列。

Answer 4

我只是觉得有必要回答这个旧帖子。

请注意，这是大数据的典型场景，不仅要在多个线程中获取数据，还要在多个线程中进一步处理该数据。这种方法并不总是要求将所有数据累积在内存中，它可以分组和/或滑动窗口进行处理，并且只需要累积结果，或者将数据进一步传递（其他永久存储）。

为了并行处理数据，通常会对源数据应用分区方案或拆分方案。如果数据是原始文本，这可能是中间某处的随机大小。对于数据库，分区方案只不过是一个额外的 where 条件应用于您的查询以允许分页。这可能是这样的：

• 驱动程序：将我的数据拆分为零件，并启动 4 个工人
• 4 x（工人计划）：给我 4 个数据中的第 1..4 部分

这可以转化为（伪）sql，如：

SELECT ...
FROM (... Subquery ...)
WHERE date = SYSDATE - days(:partition)

最后，这一切都非常传统，没有什么超先进的。