【目录】
- 项目背景
- 问题描述
- 分析原因
- 解决方案
- 脚本共享
【正文】
项目背景
近日，一个主 AP 业务项目 MyCat 下迁 TIDB 迁移，原分库分表架构（16 台 server） AP 大 SQL 普遍需 2 小时跑出结果，POC 实测（5 台 server）该类 SQL 调优后 TiDB 下 20 分钟内均能出结果，能获得近乎 5 倍下迁收益。
问题描述
原有业务场景中，需每月定期往数据库以 LOAD LOCAL FILE 的方式导入约 1亿左右宽表数据，但原有方式测下来， TiDB 的 LOAD 耗时约 8 小时 ，刨除 POC 性能没有生产好等原因，也是运维人员不可接受的。
因为 TiDB AP SQL 上的优化，业务方也有了加速数据更新的想法，即：将 LOAD 数据周期从每月改为每周。如果该这个问题无法解决，该方案基本无法改变。
而且，因项目原因在低于 TiDB 官网硬件标准的 非 SSD 磁盘又测了一版结果，测试过程中暴露出 LOAD LOCAL FILE 当时导入数据无法保证原子性导入的问题 。具体表现为由于 TiKV 写入过慢报错 LockNotFound 事务锁被清除， 详情参考官网解释 ，但该场景中，可能出现 LOAD 进去 5 千万数据导入失败，此时需要反向 Delete 掉已导入的数据， 代价极高，即使分批 del 也很难判定本次导入了哪些数据，无很好方式业务实现方法 。
总结问题点：
- TiDB 同 MySQL 用 LOAD 方式导入 csv 文件过慢
- LOAD 方式导入数据无法保证原子性导入
分析原因
- 导入过慢的原因是 LOAD 是单线程方式工作，没有利用并发多线程导入加速。
- LOAD 走的是 batch insert 接口，默认会将 csv 文件切分为多份、构成多个小事务提交。
- 注意： ⚠️ MySQL 的实现也是 batch insert，所以理论上也存在该风险。
解决方案
- 利用 Lightning 的断点续传功能保证原子性导入， 具体原理：假设切分成了 50 个 csv 文件，lightning 导入某种原因中途断掉，所有 lightning 线程停止工作，重启后会基于 check_point 读出表信息、排序目录、taskid（ 关键 ），可以顺着 taskid 继续下一个 task 完成断点续传，实现最终一致；
- 导入前 Shell 脚本拆分 csv 文件为多份，配合 lightning 参数 region-concurrency ,该参数默认表示 CPU 实际占用核数，默认 100% 占用。其实一旦拆分文件超过该值已经无意义了，并没有加速上的优化意义。
- 注意： ⚠️ 但可以依据日志中打印的文件号，推断导入进度，其实认为mysql client count 也可以实现同样目的。
脚本共享
虽然 tidb-lightning 自身存在切分文件为 256M 的功能，但要求 strict-format = true；
因为该项目数据由 Teradata 上导出，且受限企业 csv 文件规范要求无法更改； 所以我为该项目做了个处理脚本取名 TiChange_for_lightning 希望能帮到大家，具体使用参考 README！
注意 ： ⚠️ 该工具除格式转换外，仅对 tidb-backend 模式导入速度进行优化，其他模式（importer、local）并无速度上优化。
暂时无法在飞书文档外展示此内容
