干货丨时序数据库DolphinDB数据导入教程

2022-05-20 00:00:00 数据代码文件分区导入

企业在使用大数据分析平台时，首先需要把海量数据从多个数据源迁移到大数据平台中。

在导入数据前，我们需要理解 DolphinDB database 的基本概念和特点。

DolphinDB数据表按存储介质分为3种类型：

内存表：数据只保存在本节点内存，存取速度快，但是节点关闭后，数据将会丢失。
本地磁盘表：数据保存在本地磁盘上，即使节点重启，也可以方便地通过脚本把数据加载到内存中。
分布式表：数据在物理上分布在不同的节点，通过DolphinDB的分布式计算引擎，逻辑上仍然可以像本地表一样做统一查询。

DolphinDB数据表按是否分区分为2种类型：

普通表
分区表

在传统的数据库中，分区是针对数据表的，即同一个数据库中的每个数据表可以有不同的分区方案；而DolphinDB的分区是针对数据库的，即一个数据库只能使用一种分区方案。如果两个表的分区方案不同，它们不能放在同一个数据库中。

DolphinDB提供了3种灵活的数据导入方法：

通过CSV文本文件导入
通过HDF5文件导入
通过ODBC导入

1.通过CSV文本文件导入

通过CSV文件进行数据中转是比较通用的数据迁移方式。DolphinDB提供了loadText、ploadText和loadTextEx三个函数来导入CSV文件。下面我们通过一个示例CSV文件candle_201801.csv来说明这3个函数的用法。

1.1 loadText

语法：loadText(filename, [delimiter=','], [schema])

参数：

_filename_是文件名。

_delimiter_和_schema_都是可选参数。

_delimiter_用于指定不同字段的分隔符，默认是“,”。

_schema_用于数据导入后每个字段的数据类型，它是一个table类型。DolphinDB提供了字段类型自动识别功能，但是某些情况下系统自动识别的数据类型不符合需求，比如我们在导入示例CSVcandle_201801.csv时，volume字段会被识别成INT类型，实际上我们需要LONG类型，这时就需要使用schema参数。

创建schema table的脚本：

nameCol = `symbol`exchange`cycle`tradingDay`date`time`open`high`low`close`volume`turnover`unixTime
typeCol = [SYMBOL,SYMBOL,INT,DATE,DATE,INT,DOUBLE,DOUBLE,DOUBLE,DOUBLE,INT,DOUBLE,LONG]
schemaTb = table(nameCol as name,typeCol as type)
复制代码

当表的字段非常多时，创建schema table的脚本会十分冗长。为了避免这个问题，DolphinDB提供了extractTextSchema函数，它可以从文本文件中提取表的结构，我们只需修改需要指定的字段类型即可。

dataFilePath = "/home/data/candle_201801.csv"
schemaTb=extractTextSchema(dataFilePath)
update schemaTb set type=`LONG where name=`volume        
tt=loadText(dataFilePath,,schemaTb)
复制代码

1.2 ploadText

ploadText把数据文件作为分区表并行加载到内存中，语法和loadText完全相同，但是ploadText的速度更快。ploadText主要用于快速载入大文件，它在设计上充分利用了多个core来并行载入文件，并行程度取决于服务器本身core数量和节点的localExecutors配置。

下面我们对比loadText和ploadText的性能。

首先，通过脚本生成一个4G左右的CSV文件：

filePath = "/home/data/testFile.csv"
appendRows = 100000000
dateRange = 2010.01.01..2018.12.30
ints = rand(100, appendRows)
symbols = take(string('A'..'Z'), appendRows)
dates = take(dateRange, appendRows)
floats = rand(float(100), appendRows)
times = 00:00:00.000 + rand(86400000, appendRows)
t = table(ints as int, symbols as symbol, dates as date, floats as float, times as time)
t.saveText(filePath)
复制代码

分别使用loadText和ploadText来导入文件，该节点是4核8线程的CPU。

timer loadText(filePath);
//Time elapsed: 39728.393 ms
timer ploadText(filePath);
//Time elapsed: 10685.838 ms
复制代码

结果显示，ploadText的性能差不多是loadText的4倍。

1.3 loadTextEx

语法：loadTextEx(dbHandle, tableName, [partitionColumns], fileName, [delimiter=','], [schema])

参数：

_dbHandle_是数据库句柄。

_tableName_是保存数据的分布式表的表名。

partitionColumns、_delimiter_和_schema_是可选参数。

当分区方案不是顺序分区时，需要指定_partitionColumns_，表示分区列。

_fileName_表示导入文件的名称。

_delimiter_用于指定不同字段的分隔符，默认是“,”。

_schema_用于数据导入后每个字段的数据类型，它是一个table类型。

loadText函数总是把数据导入到内存，当数据文件非常庞大时，工作机的内存很容易成为瓶颈。loadTextEx可以很好地解决这个问题，它通过边导入边保存的方式，把静态的CSV文件以较为平缓的数据流的方式“另存为”DolphinDB的分布式表，而不是采用全部导入内存再存为分区表的方式，大大降低了内存的使用需求。

首先创建用于保存数据的分布式表：

dataFilePath = "/home/data/candle_201801.csv"
tb = loadText(dataFilePath)
db=database("dfs://dataImportCSVDB",VALUE,2018.01.01..2018.01.31)  
db.createPartitionedTable(tb, "cycle", "tradingDay")
复制代码

然后将文件导入分布式表：

loadTextEx(db, "cycle", "tradingDay", dataFilePath)
复制代码

当需要使用数据做分析的时候，通过loadTable函数将分区元数据先载入内存，在实际执行查询的时候，DolphinDB会按需加载数据到内存。

tb = database("dfs://dataImportCSVDB").loadTable("cycle")
复制代码

2. 通过HDF5文件导入

HDF5是一种比CSV更高效的二进制数据文件格式，在数据分析领域广泛使用。DolphinDB也支持通过HDF5格式文件导入数据。

DolphinDB通过HDF5插件来访问HDF5文件，插件提供了以下方法：

hdf5::ls : 列出h5文件中所有 Group 和 Dataset 对象。
hdf5::lsTable ：列出h5文件中所有 Dataset 对象。
hdf5::hdf5DS ：返回h5文件中 Dataset 的元数据。
hdf5::loadHdf5 ：将h5文件导入内存表。
hdf5::loadHdf5Ex ：将h5文件导入分区表。
hdf5::extractHdf5Schema ：从h5文件中提取表结构。

调用插件方法时需要在方法前面提供namespace，比如调用loadHdf5时hdf5::loadHdf5，如果不想每次调用都使用namespace，可以使用use关键字：

use hdf5
loadHdf5(filePath,tableName)
复制代码

要使用DolphinDB的插件，首先需要下载HDF5插件，再将插件部署到节点的plugins目录下，在使用插件之前需要先加载，使用下面的脚本：

loadPlugin("plugins/hdf5/PluginHdf5.txt")
复制代码

HDF5文件的导入与CSV文件大同小异，比如我们要将示例HDF5文件candle_201801.h5导入，它包含一个Dataset：candle_201801，那么简单的导入方式如下：

dataFilePath = "/home/data/candle_201801.h5"
datasetName = "candle_201801"
tmpTB = hdf5::loadHdf5(dataFilePath,datasetName)
复制代码

如果需要指定数据类型导入可以使用hdf5::extractHdf5Schema，脚本如下：

dataFilePath = "/home/data/candle_201801.h5"
datasetName = "candle_201801"
schema=hdf5::extractHdf5Schema(dataFilePath,datasetName)
update schema set type=`LONG where name=`volume        
tt=hdf5::loadHdf5(dataFilePath,datasetName,schema)
复制代码

如果HDF5文件非常庞大，工作机内存无法支持全量载入，可以使用hdf5::loadHdf5Ex方式来载入数据。

首先创建用于保存数据的分布式表：

dataFilePath = "/home/data/candle_201801.h5"
datasetName = "candle_201801"
dfsPath = "dfs://dataImportHDF5DB"
tb = hdf5::loadHdf5(dataFilePath,datasetName)
db=database(dfsPath,VALUE,2018.01.01..2018.01.31)  
db.createPartitionedTable(tb, "cycle", "tradingDay")
复制代码

然后将HDF5文件通过hdf5::loadHdf5Ex函数导入：

hdf5::loadHdf5Ex(db, "cycle", "tradingDay", dataFilePath,datasetName)
复制代码

3. 通过ODBC接口导入

DolphinDB支持ODBC接口连接第三方数据库，从数据库中直接将表读取成DolphinDB的内存数据表。使用DolphinDB提供的ODBC插件可以方便地从ODBC支持的数据库中迁移数据至DolphinDB中。

ODBC插件提供了以下四个方法用于操作第三方数据源数据：

odbc::connect : 开启连接。
odbc::close : 关闭连接。
odbc::query : 根据给定的SQL语句查询数据并返回到DolphinDB的内存表。
odbc::execute : 在第三方数据库内执行给定的SQL语句，不返回数据。

在使用ODBC插件前，需要先安装ODBC驱动，请参考ODBC插件使用教程。

下面以连接 SQL Server 作为实例，现有数据库的具体配置为：

server：172.18.0.15

默认端口：1433

连接用户名：sa

密码：123456

数据库名称： SZ_TAQ

数据库表选2016年1月1日的数据，表名candle_201801，字段与CSV文件相同。

要使用ODBC插件连接SQL Server数据库，首先步是下载插件解压并拷贝plugins\odbc目录下所有文件到DolphinDB Server的plugins/odbc目录下，通过下面的脚本完成插件初始化：

//载入插件
loadPlugin("plugins/odbc/odbc.cfg")
//连接 SQL Server
conn=odbc::connect("Driver=ODBC Driver 17 for SQL Server;Server=172.18.0.15;Database=SZ_TAQ;Uid=sa;
Pwd=123456;")
复制代码

在导入数据之前，先创建分布式磁盘数据库用于保存数据：

//从SQL Server中取到表结构作为DolphinDB导入表的模板
tb = odbc::query(conn,"select top 1 * from candle_201801")
db=database("dfs://dataImportODBC",VALUE,2018.01.01..2018.01.31)
db.createPartitionedTable(tb, "cycle", "tradingDay")
复制代码

从SQL Server中导入数据并保存成DolphinDB分区表：

data = odbc::query(conn,"select * from candle_201801")
tb = database("dfs://dataImportODBC").loadTable("cycle")
tb.append!(data);
复制代码

通过ODBC导入数据避免了文件导出导入的过程，而且通过DolphinDB的定时作业机制，它还可以作为时序数据定时同步的数据通道。

4. 金融数据导入案例

下面以证券市场日K线图数据文件导入作为示例，数据以CSV文件格式保存在磁盘上，共有10年的数据，按年度分目录保存，一共大约100G的数据，路径示例如下：

2008

---- 000001.csv

---- 000002.csv

---- 000003.csv

---- 000004.csv

---- ...

2009

...

2018

每个文件的结构都是一致的，如图所示：

4.1 分区规划

要导入数据之前，首先要做好数据的分区规划，这涉及到两个方面的考量：

确定分区字段。
确定分区的粒度。

首先根据日常的查询语句执行频率，我们采用trading和symbol两个字段进行组合范围(RANGE)分区，通过对常用检索字段分区，可以极大的提升数据检索和分析的效率。

接下来要做的是分别定义两个分区的粒度。

现有数据的时间跨度是从2008-2018年，所以这里按照年度对数据进行时间上的划分，在规划时间分区时要考虑为后续进入的数据留出足够的空间，所以这里把时间范围设置为2008-2030年。

yearRange =date(2008.01M + 12*0..22)
复制代码

这里股票代码有几千个，如果对股票代码按值(VALUE)分区，那么每个分区只是几兆大小，而分区数量则很多。分布式系统在执行查询时，会将查询语句分成多个子任务分发到不同的分区执行，所以按值分区方式会导致任务数量非常多，而任务执行时间极短，导致系统在管理任务上花费的时间反而大于任务本身的执行时间，这样的分区方式明显是不合理的。这里我们按照范围将所有股票代码均分成100个区间，每个区间作为一个分区，终分区的大小约100M左右。考虑到后期有新的股票数据进来，所以增加了一个虚拟的代码999999，跟后一个股票代码组成一个分区，用来保存后续新增股票的数据。

通过下面的脚本得到 symbol 字段的分区范围：

//遍历所有的年度目录，去重整理出股票代码清单，并通过cutPoint分成100个区间
symbols = array(SYMBOL, 0, 100)
yearDirs = files(rootDir)[`filename]
for(yearDir in yearDirs){
	path = rootDir + "/" + yearDir
	symbols.append!(files(path)[`filename].upper().strReplace(".CSV",""))
}
//去重并增加扩容空间：
symbols = symbols.distinct().sort!().append!("999999");
//均分成100份
symRanges = symbols.cutPoints(100)
通过下述脚本定义两个维度组合(COMPO)分区，创建Database和分区表：
columns=`symbol`exchange`cycle`tradingDay`date`time`open`high`low`close`volume`turnover`unixTime
* =  [SYMBOL,SYMBOL,INT,DATE,DATE,TIME,DOUBLE,DOUBLE,DOUBLE,DOUBLE,LONG,DOUBLE,LONG]

dbDate=database("", RANGE, yearRange)
dbID=database("", RANGE, symRanges)
db = database(dbPath, COMPO, [dbDate, dbID])

pt=db.createPartitionedTable(table(1000000:0,columns,*), tableName, `tradingDay`symbol)
复制代码

需要注意的是，分区是DolphinDB存储数据的小单位，DolphinDB对分区的写入操作是独占式的，当任务并行进行的时候，需要避免多任务同时向一个分区写入数据。本案例中每年的数据交给一个单独任务去做，各任务操作的数据边界没有重合，所以不可能发生多任务写入同一分区的情况。

4.2 导入数据

数据导入脚本的主要思路很简单，就是通过循环目录树，将所有的CSV文件逐个读取并写入到分布式数据库表dfs://SAMPLE_TRDDB中，但是具体导入过程中还是会有很多细节问题。

首先碰到的问题是，CSV文件中保存的数据格式与DolphinDB内部的数据格式存在差异，比如time字段，文件里是以“9390100000”表示到毫秒的时间，如果直接读入会被识别成数值类型，而不是time类型，所以这里需要用到数据转换函数datetimeParse结合格式化函数format在数据导入时进行转换。关键脚本如下：

datetimeParse(format(time,"000000000"),"HHmmssSSS")
复制代码

虽然通过循环导入实现起来非常简单，但是实际上100G的数据是由极多的5M左右的细碎文件组成，如果单线程操作会等待很久，为了充分利用集群的资源，所以我们按照年度把数据导入拆分成多个子任务，轮流发送到各节点的任务队列并行执行，提高导入的效率。这个过程分下面两步实现：

（1）定义一个自定义函数，函数的主要功能是导入指定年度目录下的所有文件：

//循环处理年度目录下的所有数据文件
def loadCsvFromYearPath(path, dbPath, tableName){
	symbols = files(path)[`filename]
	for(sym in symbols){
		filePath = path + "/" + sym
		t=loadText(filePath)
		database(dbPath).loadTable(tableName).append!(select symbol, exchange,cycle, tradingDay,date,datetimeParse(format(time,"000000000"),"HHmmssSSS"),open,high,low,close,volume,turnover,unixTime from t )			
	}
}
复制代码

（2）通过 rpc 函数结合 submitJob 函数把上面定义的函数提交到各节点去执行：

nodesAlias="NODE" + string(1..4)
years= files(rootDir)[`filename]

index = 0;
for(year in years){	
	yearPath = rootDir + "/" + year
	des = "loadCsv_" + year
	rpc(nodesAlias[index%nodesAlias.size()],submitJob,des,des,loadCsvFromYearPath,yearPath,dbPath,tableName)
	index=index+1
}
复制代码

数据导入过程中，可以通过pnodeRun(getRecentJobs)来观察后台任务的完成情况。

案例完整脚本

相关文章