COPY 是如何工作的，为什么它比 INSERT 快得多？

Question

今天我花了一整天时间来改进 Python 脚本的性能，该脚本将数据推送到我的 Postgres 数据库中。我之前是这样插入记录的：

query = "INSERT INTO my_table (a,b,c ... ) VALUES (%s, %s, %s ...)";
for d in data:
    cursor.execute(query, d)

然后我重新编写了我的脚本，以便它创建一个内存文件而不是用于 Postgres 的 COPY 命令，它允许我将数据从文件复制到我的 table :

f = StringIO(my_tsv_string)
cursor.copy_expert("COPY my_table FROM STDIN WITH CSV DELIMITER AS E'\t' ENCODING 'utf-8' QUOTE E'\b' NULL ''", f)

COPY 方法快得惊人。

METHOD      | TIME (secs)   | # RECORDS
=======================================
COPY_FROM   | 92.998    | 48339
INSERT      | 1011.931  | 48377

但是我找不到任何关于为什么的信息？它与多行 INSERT 的工作方式有何不同，从而使其速度更快？

另见 this benchmark：

# original
0.008857011795043945: query_builder_insert
0.0029380321502685547: copy_from_insert

#  10 records
0.00867605209350586: query_builder_insert
0.003248929977416992: copy_from_insert

# 10k records
0.041108131408691406: query_builder_insert
0.010066032409667969: copy_from_insert

# 1M records
3.464181900024414: query_builder_insert
0.47070908546447754: copy_from_insert

# 10M records
38.96936798095703: query_builder_insert
5.955034017562866: copy_from_insert

Answer 1

复制使用批量加载，这意味着它每次插入多行，而简单插入一次插入一行，但是您可以按照语法插入多行：

insert into table_name (column1, .., columnn) values (val1, ..valn), ..., (val1, ..valn)

有关使用批量加载的更多信息，请参阅例如The fastest way to load 1m rows in postgresql by Daniel Westermann.

一次应该插入多少行的问题取决于行的长度，一个好的经验法则是每个插入语句插入 100 行。

Answer 2

在事务中执行 INSERT 以加快速度。

在 bash 中测试无事务：

>  time ( for((i=0;i<100000;i++)); do echo 'INSERT INTO testtable (value) VALUES ('$i');'; done ) | psql root | uniq -c
 100000 INSERT 0 1

real    0m15.257s
user    0m2.344s
sys     0m2.102s

以及交易：

> time ( echo 'BEGIN;' && for((i=0;i<100000;i++)); do echo 'INSERT INTO testtable (value) VALUES ('$i');'; done && echo 'COMMIT;' ) | psql root | uniq -c
      1 BEGIN
 100000 INSERT 0 1
      1 COMMIT

real    0m7.933s
user    0m2.549s
sys     0m2.118s

Answer 3

这里有很多因素在起作用：

网络延迟和往返延迟
PostgreSQL 中的每条语句开销
上下文切换和调度程序延迟
COMMIT 成本，如果人们每次插入都做一次提交（你不是）
COPY 针对批量加载的特定优化

网络延迟

如果服务器是远程的，您可能 "paying" 每个语句的固定时间 "price" 例如，50 毫秒（1/20 秒）。对于某些云托管的数据库，或者更多。由于下一个插入要等到最后一个成功完成后才能开始，这意味着您的最大插入速率是每秒 1000/round-trip-latency-in-ms 行。延迟为 50 毫秒 ("ping time")，即 20 rows/second。即使在本地服务器上，这种延迟也不是零。 Wheras COPY 仅填充 TCP 发送和接收 windows，并以数据库可以写入它们并且网络可以传输它们的速度流式传输行。它不受延迟的影响很大，并且可能在同一网络上每秒插入数千行 link。

PostgreSQL 中的每条语句成本

在 PostgreSQL 中解析、规划和执行语句也有成本。它必须获取锁、打开关系文件、查找索引等。COPY 尝试在开始时将所有这些都做一次，然后只专注于尽快加载行。

Task/context 转换成本

由于操作系统必须在您的应用程序准备和发送行时等待 postgres 之间切换，然后您的应用程序在 postgres 处理该行时等待 postgres 的响应，因此需要支付更多的时间成本。每次从一个切换到另一个，都会浪费一点时间。当进程进入和离开等待状态时，挂起和恢复各种低级内核状态可能会浪费更多时间。

错过了 COPY 优化

最重要的是，COPY 有一些优化可以用于某些类型的负载。例如，如果没有生成键并且任何默认值都是常量，它可以预先计算它们并完全绕过执行程序，将数据快速加载到较低级别的 table 中，从而完全跳过 PostgreSQL 的部分正常工作。如果您 CREATE TABLE 或 TRUNCATE 在与 COPY 相同的事务中，它可以通过绕过多客户端数据库中所需的正常事务簿记来做更多的技巧来加快加载速度.

尽管如此，PostgreSQL 的 COPY 仍然可以做更多的事情来加快速度，一些它还不知道如何做的事情。如果您更改的 table 超过一定比例，它可以自动跳过索引更新然后重建索引。它可以批量进行索引更新。还有很多。

承诺成本

最后要考虑的一件事是提交成本。这对你来说可能不是问题，因为 psycopg2 默认打开一个事务并且在你告诉它之前不提交。除非你告诉它使用自动提交。但对于许多数据库驱动程序来说，自动提交是默认设置。在这种情况下，您将为每个 INSERT 执行一次提交。这意味着一次磁盘刷新，服务器确保将内存中的所有数据写到磁盘上，并告诉磁盘将它们自己的缓存写到持久存储中。这可能需要 long 时间，并且因硬件而异。我的基于 SSD 的 NVMe BTRFS 笔记本电脑只能执行 200 fsyncs/second，而非同步则为 300,000 writes/second。所以它只会加载 200 rows/second！有些服务器只能做50fsyncs/second。有些可以做20,000。所以如果你必须定期提交，尝试批量加载和提交，做多行插入等。因为COPY最后只做一次提交，提交成本可以忽略不计。但这也意味着 COPY 无法从数据中途的错误中恢复；它会撤消整个批量加载。

COPY 是如何工作的，为什么它比 INSERT 快得多？

How does COPY work and why is it so much faster than INSERT?

python

postgresql

sql-insert

postgresql-copy

网络延迟

PostgreSQL 中的每条语句成本

Task/context 转换成本

错过了 COPY 优化

承诺成本