前言
近期需要开发一个将百万数据量MySQL8
的数据导出到excel
的功能,查阅相关资料后便整理了这篇实现方案供读者参考。
需求简述
该数据表是一张用户表,包含id
和name
,该用户表数据量在300w
左右,以自增id作为主键,而功能要求我们在一分钟之内完成百万数据导出到excel
。需要注意的是,我们导出的excel
格式为xlsx
,它的每一个sheet
只能容纳100w
的数据,这也就意味着我们的数据必须以100w
作为批次写到不同的sheet
中。
实现思路
我们先来说说需要解决的问题:
- 如果一次性查询
300w
左右的数据可能会占据大量的内存,如果对象字段很多的情况下,很可能出现内存溢出,我们要如何解决? - 每个
excel
文件都有sheet
,并且每个sheet
只能容纳100w
左右的数据,对于这个问题我们要如何解决? - 数据写入到
excel
时,有没有合适的工具推荐?
对于问题1我们采用分页查询的方式进行查询,参考自己堆内存的配置推算每次分页查询的数据量。因为问题1采用了分页查询,我们完全可以通过分页查询的次数推算出一个sheet
写入了多少数据,例如我们每次分页查询50w
的数据,那么每两次就可以视为一个sheet
写满了,我们就可以创建一个新的sheet
写入数据。
这里需要注意一点,因为我们分页查询面对的是百万级别的数据,所以随着分页的推进势必出现深分页导致查询效率势降低,所以为了提高分页查询的效率,我们可以利用查询数据有序的特性,通过id
作为偏移进行分页查询。
例如我们第一次分页查询的sql语句
为:
sql
select * from t_user limit 500000 ;
假如我们不以id作为索引,那么第二次的分页查询sql
则是:
sql
select * from t_user limit 500000,500000 ;
查看该查询执行计划,可以看到该查询一次性查询到几乎全表的数据,并且还走了全秒扫描性能可想而知:
bash
id|select_type|table |partitions|type|possible_keys|key|key_len|ref|rows |filtered|Extra|
--+-----------+------+----------+----+-------------+---+-------+---+-------+--------+-----+
1|SIMPLE |t_user| |ALL | | | | |2993040| 100.0| |
因为我们的数据表是id自增
的,所以我们查询的时候完全可以基于该特性通过上一次查询到的id
作为筛选条件进行分页查询。
所以我们的分页查询可直接改为:
sql
select * from t_user where id > 500000 limit 500000 ;
再次查看执行计划可以发现该查询为范围查询,查询到的数据量也少了很多,性能显著提升:
bash
id|select_type|table |partitions|type |possible_keys|key |key_len|ref|rows |filtered|Extra |
--+-----------+------+----------+-----+-------------+-------+-------+---+-------+--------+-----------+
1|SIMPLE |t_user| |range|PRIMARY |PRIMARY|8 | |1496520| 100.0|Using where|
因为市面上比较多的excel
导出工具,常见的就是Apache poi
,但是它们的操作对于内存的消耗非常严重,对于我们这种大数据量的写入不是很友好,所以笔者更推荐使用阿里的EasyExcel
,它对poi
进行一定的封装和优化,同等数据量写入使用的内存更小。
解决上述问题之后,我们就可以说说代码实现思路了,以本文示例来说,有一张用户表有300w左右的数据,每次查询时只需查询id(4字节)
和name(10字节)
,按照64位
的操作系统来说,一个user对象所占用的内存大小为:
bash
object header +pointer+id字段+name字段大小=8+8+4+10=30字节
因为java
对象内存大小需要16位对
齐,需要补齐2个字节,所以实际大小为32
字节,按照笔者对于堆内存的配置,每次查询50w条数据是允许的,所以每次从数据库读取数据并转为java对象
,也只需要32*500000/1024
即15M
内存即可。
确定每次分页查询50w
条数据之后,我们就需要确定一共需要查询几个分页,然后就可以根据pageSize
确定查询的页数。
因为每次查询50w
条数据,所以每两次完成分页查询和写入基本上一个sheet
就会满了,这时候我们就需要创建一个新的sheet
进行数据写入了。
总结一下实现步骤:
- 查询目标数据量大小。
- 根据每次分页大小确定查询页数。
- 根据页数大小进行遍历,进行分页查询,并将数据写入到文件中。
- 基于页数确定
sheet
切换时机。
代码示例
以下便是笔者基于上述思路所实现的代码,查看日志也可以发现50w的数据查询和写入加起来只需6s
。最终执行耗时也只需45s
。
java
public static void main(String[] args) {
SpringApplication app = new SpringApplication(WebApplication.class);
Environment env = app.run(args).getEnvironment();
logger.info("启动成功!!");
logger.info("地址: \thttp://127.0.0.1:{}", env.getProperty("server.port"));
TUserMapper userMapper = SpringUtil.getBean(TUserMapper.class);
//计算总的数据量
int count = (int) userMapper.countByExample(null);
//获取分页总数
int queryCount = 50_0000;
int pageCount = count % queryCount == 0 ? count / queryCount : count / queryCount + 1;
//设置导出的文件名
String fileName = "result.xlsx";
//设置excel的sheet号码
int sheetNo = 1;
//设置第一个sheet的名字
String sheetName = "sheet-" + sheetNo;
long start = System.currentTimeMillis();
// 创建writeSheet
WriteSheet writeSheet = EasyExcel.writerSheet(sheetNo, sheetName).build();
//记录每次分页查询的最大值
Long maxId = null;
//指定文件
try (ExcelWriter excelWriter = EasyExcel.write(fileName, TUser.class).build()) {
//写入每一页分页查询的数据
for (int i = 1; i <= pageCount; i++) {
// 分页去数据库查询数据 这里可以去数据库查询每一页的数据
long queryStart = System.currentTimeMillis();
TUserExample userExample = new TUserExample();
//如果是第一次则直接进行分页查询,反之基于上一次分页查询的分页定位实际偏移量,筛选前n条数据以达到分页效果
if (i == 1) {
PageHelper.startPage(i, queryCount, false);
} else if (maxId != null) {
userExample.createCriteria().andIdGreaterThan(maxId);
PageHelper.startPage(0, queryCount, false);
}
List<TUser> userList = userMapper.selectByExample(userExample);
//更新下一次分页查询用的id
if (CollUtil.isNotEmpty(userList)) {
maxId = userList.get(userList.size() - 1).getId();
}
long queryEnd = System.currentTimeMillis();
logger.info("数据大小:{},写入sheet位置:{},耗时:{}", userList.size(), sheetName, queryEnd - queryStart);
long writeStart = System.currentTimeMillis();
excelWriter.write(userList, writeSheet);
long writeEnd = System.currentTimeMillis();
logger.info("本次写入耗时:{}", writeEnd - writeStart);
//如果% 2 == 0,则说明一个sheet写入了50*2即100w的数据,需要创建新的sheet进行写入
if (i % 2 == 0) {
sheetName = "sheet-" + (++sheetNo);
writeSheet = EasyExcel.writerSheet(sheetNo, sheetName).build();
logger.info("写满一个sheet,切换到下一个sheet:{}", sheetName);
}
}
}
long total = System.currentTimeMillis() - start;
logger.info("导出结束,总耗时:{}", total);
}
可能会有读者好奇笔者这个50w
的数值设计思路是什么,除了考虑避免OOM
以外,还考虑到每个sheet
只能写入100w
条的数据,为了方便通过分页查询的轮次确定当前写入的数据量大小,笔者尝试过20w
、50w
。
最终在压测结果上看出,50w
读写耗时虽然是20w
的2倍,但是IO次数
却不到20w
查询的二分之一,通过更少的IO操作
获得更好的执行性能。
bash
# 50w的读写耗时
com.sharkChili.webTemplate.config.WebApplication :73 [32m [0;39m 数据大小:500000,写入sheet位置:sheet-1,耗时:4719
2023-12-03 10:13:58.675 INFO com.sharkChili.webTemplate.config.WebApplication :78 [32m [0;39m 本次写入耗时:2911
2023-12-03 10:14:02.517 INFO com.sharkChili.webTemplate.config.WebApplication :73 [32m [0;39m 数据大小:500000,写入sheet位置:sheet-1,耗时:3841
2023-12-03 10:14:04.860 INFO com.sharkChili.webTemplate.config.WebApplication :78 [32m [0;39m 本次写入耗时:2343
小结
以上便是笔者的百万级别数据导出的落地方案,可以看出笔者着重在分页查询大小和分页查询sql上进行重点优化,通过平衡分页查询的数据量和IO次数找到合适的pageSize,再通过上一次分页查询结果定位下一次查询的id作为where条件,避免分页查询时的全秒扫描以得到符合业务需求的高性能sql,从而完成百万级别数据的高效导出。
参考文章
300万数据导入导出优化方案,从80s优化到8s(实测):juejin.cn/post/719968...
Easy Excel:easyexcel.opensource.alibaba.com/docs/curren...
PageHelper 关闭COUNT(0)查询 以及PageHelper 的分页原理分析:blog.csdn.net/qq_43842093...