依赖

依赖库信息 ubuntu系列：apt-get install expat
centos系列：yum install expat expat-devel -y

原理

noshard表和global表对数据文件不切分，只是执行导入sql，区别是对于noshard表只导入一个set，global导入所有set。使用透传语法。 导入时使用多线程，根据定义的块大小对数据文件进行位置选取，线程获取文件块位置后通过多线程执行load data infile导入。 groupshard表、subshard二级分区表和range/list全局分区表都会进行多线程的切分和导入，区别在于切分阶段groupshard表使用每行数据的shardkey进行hash，然后结合每个set的hash范围获得要发往的setname，进而切分为子文件进行通过loaddatainfile导入。subshard二级分区表会在groupshard表的基础上再次细化每个set的数据文件，按照分区范围将发往同一个set的文本再次细化为发往一个set的某一个分区的文件。range/list表则根据分区范围或者list范围定位到要发往的set，再切分为文件通过load data infile发送。

架构设计

主线程根据设定的块大小(假设为64k)先获取64k大小的分块，再往后定位到行结束符，从而获得一个分块range=(begin_pos，end_pos)。由此将一个文件分为多个range存在队列里。再根据设定的线程数生成多个线程，每个线程从队列里取得一块数据的位置，判断表类型如为noshard或者global则直接发送该块数据内的数据，不生成中间文件。如为shard，一级分区表，二级分区，则按行读取该块数据内的数据，根据发往的set/分区的不同将数据切分到子文件中，再通过load data infile发送。线程处理完一个range后，如导入不出现警告或者报错则删除子文件，再处理其他range。如出现警告或者报错，则将报错子文件存于./tmp_error目录下，将警告子文件存放在./tmp_warning目录下，再取其他range继续处理。

功能介绍

• 支持noshard单表，global复制表，groupshard分表，subshard二级分区表以及range/list全局分区表的导入。

• 支持进度条显示，包括实时导入记录数，总进度百分比，实时导入速率，耗时等。

• 支持命令行导入（类似--ip=127.0.0.1）和文件参数导入(配置文件load.ini)

• 支持自定义导入线程，分割块(chunk_size)大小等参数。

• 支持导入部分字段，使用 --fields ="(id,k,@jump,pad)"参数跳过第三列数据只导入3个字段，或者--fields ="(id,k)"导入两个字段。

• 支持参数设定日志等级，当日志等级设置为debug时（--log_level=2）可以查看详细的报错信息，定位到具体的行。报错或者报警告的子文本会报错在./tmp_data目录下。

• 支持后台运行，通过设置--is_daemon=true开启后台模式，开启后可通过信号量(kill -s SIGUSR1 pid)的方式获得实时的导入进度。同时log日志每隔5min打印进度。

• 支持执行前置sql,通过参数--prefix_sqls能在导入前执行sql，对于设置net_read/write_timeout等参数也可以在此后追加,以分号隔开每个sql。目前默认运行"SET unique_checks = 0; SET foreign_key_checks = 0;SET SESSION TRANSACTION ISOLATION LEVEL READ UNCOMMITTED"

• 支持文件夹导入

• 支持位置参数

• 支持断点续传

• 支持自动重试

• 支持设定出错时是退出线程还是继续执行其他range导入

• 支持参数开启文件列数与字段数检查功能

执行条件

1. 执行load_data的用户需要有bin目录下的创建目录、创建文件的权限。

2. TDSQL实例需要做如下设置（导入结束后需手动恢复）：

   • 调整复制模式为异步复制

   • 开启Set免切设置

   • 尽量调大数据库超时参数net_read_timeout/net_write_timeout/innodb_lock_wait_timeout

   • 尽量调大数据库binlog拦截参数binlog_write_threshold

   • 数据库关闭双1参数sync_binlog/innodb_flush_log_at_trx_commit

   • 数据库开启LOCAL方式导入数据参数local_infile

   • 数据库磁盘空间检查（预计总量占用2～3倍CSV文件空间）

   • 需要预留足够内存

导入指令

导入指令有3种：命令行导入，位置参数导入和配置文件导入（执行./load_data 可以看到help信息。）

命令行导入：
./load_data --ip=127.0.0.1 --port=15026 --user=test --password=test --db_table=loaddata.sbtest_shard --file=sbtest_4l.txt --field_enclosed=" " --field_terminated=" " --thread_num=128 

位置参数导入（支持mode0/mode1/mode2/mode3/mode4）：
/load_data mode0/mode1 proxy_host proxy_port user password db_table shardkey_index file field_terminate filed_enclosed [split_size] [escaped by]
example:
   example:./load_data mode1 10.10.10.10 3336 test test123 shard.table  1 '/tmp/datafile'  ' ' ''
   mode0: 只拆分数据，不进行数据导入。
   mode1：用insert ignore导入的方式，并且skip_error是false，遇见错误直接退出。
   mode2：用insert ignore导入的方式，并且skip_error是true，遇见错误不停止。
   mode3：用replace 导入方式，并且skip_error是false，遇见错误直接退出。
   mode4：用replace 导入方式，并且skip_error是true，遇见错误不停止。

配置文件导入：
./load_data –config=load.ini
其中load.ini格式参考文件load.ini

配置参数说明

常用参数:
  --help   说明:获取帮助信息
  --ip=127.0.0.1 说明:proxy的ip地址
  --port=15006   说明:proxy的端口
  --user=test    说明:登陆proxy的用户名
  --password=test 说明:登陆proxy的秘密
  --db_table=test.test 说明:指定需要导入的库名和表名，如test.sbtest
  --file=data200M.txt  说明:导入文件的位置，如--file=/data2/load_new/2.txt;当为目录时，表示文件夹导入。
  --field_terminated=" "  说明:字段间隔符，如空格(" "),逗号(","),制表符("\t" )等
  --field_enclosed=" "    说明:字段括起符，如为空(" "),双引号号("\"")等，注：双引号在命令行和配置文件中有区别
  --fields_optionally_enclosed=false 说明:是否选择性括住CHAR、VARCHAR和TEXT等字符型字段
  --thread_num=1          说明:导入线程数,默认值为1
  --chunk_size=10         说明:导入块大小（KB）默认值为与文件大小相关的一个分段函数
  --config=load.ini 说明:配置文件导入模式，配置此参数后，其他直接读取配置文件的参数配置。

不常用参数:
  --escaped_by="\\"       说明:转义字符，默认值为反双斜线
  --lines_terminated="\n"  说明:行间隔符
  --prefix_sqls="SET foreign_key_checks"   说明:前置运行sql，默认运行"SET unique_checks = 0", "SET foreign_key_checks = 0","SET SESSION TRANSACTION ISOLATION LEVEL READ UNCOMMITTED"这3条sql。注：prefix_sqls在命令行和配置文件中有区别
  --replace_duplicates=false   说明:是否开启替换模式，替换已存在的记录
  --fields="(id,k,@jump,pad)"   说明: 导入部分字段(id,k,@jump,pad)
  --log_level=5   说明:设置日志等级，默认为LOG_INFO，开启debug日志请将等级设置为2
  --is_daemon=false 说明:是否开启后台运行模式，默认关闭
  --retry=1  说明：设置重试模式。-1表示当导入出现错误时一直重连；0表示不重试；1表示重试一段时间，需结合retry_time一起使用
  --retry_time=10 说明：当retry为1时，指定重试时间,单位是小时，默认一个小时
  --skip_error=0 说明：是否跳过错误，即当发生错误时，是停止导入（0）还是跳过错误（1）。
  --Breakpoint=0 说明：是否开启断点重传
  --client_timeout=10 说明，mysql api的超时参数，默认是10s.
  --column_check=0 说明：是否开启字段检查功能，注意此功能与导入部分字段功能冲突，无法同时使用

举例说明

假设有表test：
CREATE TABLE `test` (
  `a` int(30) NOT NULL,
  `b` int(30) DEFAULT NULL,
  `c` int(30) NOT NULL,
  PRIMARY KEY (`a`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8;

已有数据文件test1.txt格式如下：
"1","11","111"
"2","22","222"
将test.txt导入test表可以使用下面指令开启2个线程导入:
./load_data  --ip=127.0.0.1 --port=15009  --user=test --password=test --db_table=loaddata.test --file=/data1/test1.txt --field_enclosed="\"" --field_terminated="," --thread_num=2;

已有数据文件test2.txt格式如下：
"1","aaa","11","111"
"2","bbb","22",,"222"
想要跳过test2.txt的第二列数据，将数据导入表test，可以使用以下指令：
./load_data  --ip=127.0.0.1 --port=15009  --user=test --password=test --db_table=loaddata.test --file=/data1/test1.txt --field_enclosed="\"" --field_terminated="," --thread_num=2 --fields="(a,@jump,b,c)";

已有数据文件test3.txt格式如下：
"1",,"111"
"2",,"222"
想将第二列的空值导入表中为NULL，可以使用fields参数来实现，具体指令如下：
./load_data  --ip=127.0.0.1 --port=15009  --user=test --password=test --db_table=loaddata.test --file=/data1/test3.txt --field_enclosed="\"" --field_terminated="," --thread_num=2 --fields="(a, @b, c) SET b = NULLIF(@b,'')";

问题定位

• 问题描述: load data failed, errmsg: ret: -1, errno: 2013: info: query error[gone away agin]

    问题原因:导入连接中断，可以尝试降低线程数和块大小再重新导入。

• 问题描述:"Local_infile is OFF! Input /sets:allsets/set global local_infile='ON';"

    问题原因:导入权限未开启，连接proxy，运行指令/sets:allsets/set global local_infile='ON';或者使用赤兔开启权限。

• 问题描述:配置文件设置参数prefix_sqls="CREATE DATABASE IF NOT EXISTS test"，运行时query sql failed

    问题原因:配置文件中prefix_sqls参数设置时，需要去掉双引号。

日志查看

• 默认情况下，日志等级为LOG_INFO，只会显示info和warning，error信息，想要查看更多信息，可以通过--log_level参数将日志等级设为2，即可查看debug信息。

• load_data会产生两个日志文件：文件名.discard.log和文件名.log

  文件名.discard.log:收集切分时shardkey不符合要求的数据行。比如当括起符为双引号时，如果导入数据中shardkey字段缺少半边引号94",或者""," "时，会认为数据格式有问题，将该条数据写入discard.log。如果开启column_check后，多列或者少列的错误行会记录到此日志。

  文件名.log:导入阶段报错或者警告的行会在文件名.log中体现，同时该日志也会有整体导入进度的信息，导入进度每隔5min打印一次，尾部也会打印进度信息。

其他

• Chunk_size的自适应使用分段函数,当用户未设置chunk_size参数时，

  当文件<=10k时，chunk_size=1k

  当10k<文件<100M时，chunk_size=(文件/10k)k

  当100M<文件<=10G时，chunk_size=(文件/100k)k

  当10G<文件时，chunk_size=100M

• 配置文件中，如果括起符为双引号时，参数设置和命令行稍有区别，配置文件为 --field_enclosed=""",区别于命令行的--field_enclosed="""

• prefix_sqls参数的设定在使用配置文件时，需要去掉引号