数据的线程安全缓冲区，以控制大小的批量插入

Question

我有一个模拟生成的数据必须保存到数据库中。

ParallelLoopResult res = Parallel.For(0, 1000000, options, (r, state) =>
{
    ComplexDataSet cds = GenerateData(r);

    SaveDataToDatabase(cds);

});

模拟会生成大量数据，因此先生成然后将其保存到数据库（最多 1 GB 数据）是不切实际的，将其保存到数据库也没有意义一个接一个（交易太小，不实用）。我想将它们作为受控大小的批量插入（比如一次提交 100）插入到数据库中。

但是，我认为我对并行计算的了解并不那么理论化。我想出了这个（你可以看到这是非常有缺陷的）：

DataBuffer buffer = new DataBuffer(...);

ParallelLoopResult res = Parallel.For(0, 10000000, options, (r, state) =>
{
    ComplexDataSet cds = GenerateData(r);

    buffer.SaveDataToBuffer(cds, i == r - 1);

});

public class DataBuffer
{
    int count = 0;
    int limit = 100

    object _locker = new object();

    ConcurrentQueue<ConcurrentBag<ComplexDataSet>> ComplexDataBagQueue{ get; set; }

    public void SaveDataToBuffer(ComplexDataSet data, bool isfinalcycle)
    {
            lock (_locker)
            {
                if(count >= limit)
                {
                    ConcurrentBag<ComplexDataSet> dequeueRef;
                    if(ComplexDataBagQueue.TryDequeue(out dequeueRef))
                    {
                        Commit(dequeueRef);
                    }

                    _lastItemRef = new ConcurrentBag<ComplexDataSet>{data};
                    ComplexDataSetsQueue.Enqueue(_lastItemRef);
                    count = 1;
                }
                else
                {
                    // First time
                    if(_lastItemRef == null)
                    {
                        _lastItemRef = new ConcurrentBag<ComplexDataSet>{data};
                        ComplexDataSetsQueue.Enqueue(_lastItemRef);
                        count = 1;
                    }
                    // If buffer isn't full
                    else
                    {
                        _lastItemRef.Add(data);
                        count++;
                    }
                }

                if(isfinalcycle)
                {
                        // Commit everything that hasn't been committed yet
                        ConcurrentBag<ComplexDataSet> dequeueRef;    
                    while (ComplexDataSetsQueue.TryDequeue(out dequeueRef))
                    {
                        Commit(dequeueRef);
                    }
                }
            }
    }

    public void Commit(ConcurrentBag<ComplexDataSet> data)
    {
        // Commit data to database..should this be somehow in another thread or something ?
    }
}

如您所见，我使用队列来创建缓冲区，然后手动决定何时提交。但是，我有一种强烈的感觉，这对我的问题来说并不是很有效的解决方案。首先，我不确定我是否正确锁定。其次，我不确定这是否是完全线程安全的（或根本不安全）。

您能否看一下并评论我应该做些什么不同的事情？或者如果有更好的方法来做到这一点（使用某种生产者-消费者技术或其他东西）？

感谢和最良好的祝愿， D.

Answer 1

无需使用锁或昂贵的并发安全数据结构。数据都是独立的，因此引入锁定和共享只会损害性能和可扩展性。

Parallel.For 有一个重载，可让您指定每个线程的数据。在此您可以存储私有队列和私有数据库连接。

另外：Parallel.For 在内部将您的范围划分为更小的块。传递一个很大的范围是非常有效的，所以没有什么可以改变的。

Parallel.For(0, 10000000, () => new ThreadState(),
    (i, loopstate, threadstate) =>
{
    ComplexDataSet data = GenerateData(i);

    threadstate.Add(data);

    return threadstate;
}, threadstate => threadstate.Dispose());

sealed class ThreadState : IDisposable
{
    readonly IDisposable db;
    readonly Queue<ComplexDataSet> queue = new Queue<ComplexDataSet>();

    public ThreadState()
    {
        // initialize db with a private MongoDb connection.
    }

    public void Add(ComplexDataSet cds)
    {
        queue.Enqueue(cds);

        if(queue.Count == 100)
        {
            Commit();
        }
    }

    void Commit()
    {
        db.Write(queue);
        queue.Clear();
    }

    public void Dispose()
    {
        try
        {
            if(queue.Count > 0)
            {
                Commit();
            }
        }
        finally
        {
            db.Dispose();
        }
    }
}

现在，MongoDb 目前不支持真正的并发插入——它在服务器中持有一些昂贵的锁，因此并行提交不会为您带来太多（如果有的话）速度。他们希望在未来解决此问题，因此您有一天可能会获得免费加速。

如果您需要限制数据库连接的数量，生产者/消费者设置是一个不错的选择。您可以使用BlockingCollection 队列来高效地执行此操作，而无需使用任何锁：

// Specify a maximum of 1000 items in the collection so that we don't
// run out of memory if we get data faster than we can commit it.
// Add() will wait if it is full.

BlockingCollection<ComplexDataSet> commits =
    new BlockingCollection<ComplexDataSet>(1000);

Task consumer = Task.Factory.StartNew(() =>
    {
        // This is the consumer.  It processes the
        // "commits" queue until it signals completion.

        while(!commits.IsCompleted)
        {
            ComplexDataSet cds;

            // Timeout of -1 will wait for an item or IsCompleted == true.

            if(commits.TryTake(out cds, -1))
            {
                // Got at least one item, write it.
                db.Write(cds);

                // Continue dequeuing until the queue is empty, where it will
                // timeout instantly and return false, or until we've dequeued
                // 100 items.

                for(int i = 1; i < 100 && commits.TryTake(out cds, 0); ++i)
                {
                    db.Write(cds);
                }

                // Now that we're waiting for more items or have dequeued 100
                // of them, commit.  More can be continue to be added to the
                // queue by other threads while this commit is processing.

                db.Commit();
            }
        }
    }, TaskCreationOptions.LongRunning);

try
{
    // This is the producer.

    Parallel.For(0, 1000000, i =>
        {
            ComplexDataSet data = GenerateData(i);
            commits.Add(data);
        });
}
finally // put in a finally to ensure the task closes down.
{
    commits.CompleteAdding(); // set commits.IsFinished = true.
    consumer.Wait(); // wait for task to finish committing all the items.
}

Answer 2

在您的示例中，您有 10 000 000 个工作包。每一个都需要分发到一个线程。 假设您没有 真正 大量 cpu 内核，这不是最佳选择。您还必须在每个buffer.SaveDataToBuffer 调用上同步您的线程（通过使用锁）。此外，您应该知道变量r 在年表视图中不一定要加一（例如：Thread1 用 1、2、3 和 Thread2 用 4、5、6 执行 r。按时间顺序这将导致以下结果r 的序列传递给 SaveDataToBuffer 1,4,2,5,3,6（大约）。

我会让工作包更大，然后一次提交每个包。这还有一个好处是您不必经常锁定/同步所有内容。

这是一个例子：

int total = 10000000;
int step = 1000;

Parallel.For(0, total / step, (r, state) =>
{
    int start = r * start;
    int end = start + step;

    ComplexDataSet[] result = new ComplexDataSet[step];

    for (int i = start; i < end; i++)
    {
        result[i - start] = GenerateData(i);
    }

    Commit(result);
});

在这个例子中，整个工作被分成 10000 个包（并行执行），每个包生成 1000 个数据项并将它们提交到数据库。

使用此解决方案，Commit 方法可能会成为瓶颈，如果设计不明智的话。最好是在不使用任何锁的情况下使其线程安全。如果您不在需要同步的线程之间使用公共对象，则可以实现这一点。

例如对于 sql server 后端，这意味着在每个 Commit() 调用的上下文中创建自己的 sql 连接：

private void Commit(ComplexDataSet[] data)
{
    using (var connection = new SqlConnection("connection string..."))
    {
        connection.Open();

        // insert your data here...
    }
}

Answer 3

与其增加软件的复杂性，不如考虑简化。您可以将代码重构为三个部分：

1. 排队的工人

   这是 Parallel.For 中的并发 GenerateData，它执行一些繁重的计算并生成 ComplexDataSet。

2. 实际队列

   存储来自 [1] 的结果的并发队列 - 这么多 ComplexDataSet。在这里，我假设 ComplexDataSet 的一个实例实际上并不消耗资源并且相当轻巧。只要队列是并发的，它就会支持并行“插入”和“删除”。

3. 出队的工人

   从处理队列 [2] 中获取 ComplexDataSet 的一个实例并将其放入并发包（或其他存储）中的代码。一旦袋子有 N 个您阻止的项目，停止出队，将袋子的内容刷新到数据库中并清除它。最后，您解除阻塞并恢复出队。

这是一些元代码（它仍然可以编译，但需要改进）

[1]

// [1] - Class is responsible for generating complex data sets and 
// adding them to processing queue
class EnqueueWorker
{
    //generate data and add to queue
    internal void ParrallelEnqueue(ConcurrentQueue<ComplexDataSet> resultQueue)
    {
        Parallel.For(1, 10000, (i) =>
        {
            ComplexDataSet cds = GenerateData(i);
            resultQueue.Enqueue(cds);

        });
    }

    //generate data
    ComplexDataSet GenerateData(int i)
    {
        return new ComplexDataSet();
    }
}

[3]

//[3] This guy takes sets from the processing queue and flush results when 
// N items have been generated
class DequeueWorker
{
    //buffer that holds processed dequeued data
    private static ConcurrentBag<ComplexDataSet> buffer;

    //lock to flush the data to the db once in a while
    private static object syncRoot = new object();

    //take item from processing queue and add it to internal buffer storage
    //once buffer is full - flush it to the database
    internal void ParrallelDequeue(ConcurrentQueue<ComplexDataSet> resultQueue)
    {
        buffer = new ConcurrentBag<ComplexDataSet>();
        int N = 100;

        Parallel.For(1, 10000, (i) =>
        {
            //try dequeue
            ComplexDataSet cds = null;

            var spinWait = new SpinWait();

            while (cds == null)
            {
                resultQueue.TryDequeue(out cds);
                spinWait.SpinOnce();
            }

            //add to buffer
            buffer.Add(cds);

            //flush to database if needed
            if (buffer.Count == N)
            {
                lock (syncRoot)
                {
                    IEnumerable<ComplexDataSet> data = buffer.ToArray();

                    // flush data to database

                    buffer = new ConcurrentBag<ComplexDataSet>();
                }
            }

        });
    }        
}

[2]及用法

class ComplexDataSet { }

class Program
{
    //processing queueu - [2]
    private static ConcurrentQueue<ComplexDataSet> processingQueue;

    static void Main(string[] args)
    {
        // create new processing queue - single instance for whole app
        processingQueue = new ConcurrentQueue<ComplexDataSet>();

        //enqueue worker
        Task enqueueTask = Task.Factory.StartNew(() =>
            {
                EnqueueWorker enqueueWorker = new EnqueueWorker();
                enqueueWorker.ParrallelEnqueue(processingQueue);
            });

        //dequeue worker
        Task dequeueTask = Task.Factory.StartNew(() =>
        {
            DequeueWorker dequeueWorker = new DequeueWorker();
            dequeueWorker.ParrallelDequeue(processingQueue);
        });            
    }
}