在sqlite中插入大量数据

Question

我正在为 sqlite3 中的数据库进行倒排索引查找 table。我拥有的数据库包含某些博主及其 posts.

我有一个 table post，其中包含列 id、text、blogger_id。这个 table 由 ~680 000 post 组成。我想用 blogger_id、post_id、word_position、word_id.

列创建一个 table Blogger_Post_Word

我正在为此使用 Python，我之前尝试过两种方法，但都存在问题。

我在网上看到，插入大量数据的最佳方法是使用批量插入。这意味着我必须获取所有 post，并且对于 post 中的每个单词，我必须将其存储在本地，以便稍后进行批量插入。这需要很多我没有的内存。
我也尝试过一个一个地插入每个单词，但这太长了。

是否有解决此问题的有效方法或一次性解决此问题的 sql 语句？

编辑：这是我现在使用的代码：

@lru_cache()
def get_word_id(_word: str) -> int:
    word_w_id = db.get_one('Word', ['word'], (word,))
    if word_w_id is None:
        db.insert_one('Word', ['word'], (word,))
        word_w_id = db.get_one('Word', ['word'], (word,))
    return word_w_id[0]

for post_id, text, creation_date, blogger_id in db.get_all('Post'):
    split_text = text.split(' ')

    for word_position, word in enumerate(split_text):
        word_id = get_word_id(word)

        db.insert_one('Blogger_Post_Word',
                      ['blogger_id', 'post_id', 'word_position', 'word_id'],
                      (blogger_id, post_id, word_position, word_id))

db 是我写的 class 来处理数据库，这些是 class 我使用的函数：

def get(self, table: str, where_cols: list = None, where_vals: tuple = None):
    query = 'SELECT * FROM ' + table

    if where_cols is not None and where_vals is not None:
        where_cols = [w + '=?' for w in where_cols]
        query += ' WHERE ' + ' and '.join(where_cols)

        return self.c.execute(query, where_vals)

    return self.c.execute(query)

def get_one(self, table: str, where_cols: list = None, where_vals: tuple = None):
    self.get(table, where_cols, where_vals)
    return self.c.fetchone()



def insert_one(self, table: str, columns: list, values: tuple):
    query = self.to_insert_query(table, columns)
    self.c.execute(query, values)
    self.conn.commit()


def to_insert_query(self, table: str, columns: list):
    return 'INSERT INTO ' + table + '(' + ','.join(columns) + ')' + ' VALUES (' + ','.join(['?' for i in columns]) + ')'

Answer 1

好的，希望对大家有所帮助。

问题确实是插入一个太慢了，我没有足够的内存来本地存储整个列表。

相反，我混合使用了两者并将它们增量地插入到数据库中。

我显示了列表的大小以确定瓶颈。 68万中的15万个帖子好像是我的瓶颈。列表的总大小约为 4.5 GB。

from pympler.asizeof import asizeof
print(asizeof(indexed_data))

>>> 4590991936

我决定增加 50 000 个帖子以保持一切运行顺利。

这是我的代码：

# get all posts
c.execute('SELECT * FROM Post')
all_posts = c.fetchall()

increment = 50000

start = 0
end = increment

while start < len(all_posts):
    indexed_data = []

    print(start, ' -> ', end)

    for post_id, text, creation_date, blogger_id in all_posts[start:end]:
        split_text = text.split(' ')

        # for each word in the post add a tuple with blogger id, post id, word position in the post and the word to indexed_data
        indexed_data.extend([(blogger_id, post_id, word_position, word) for word_position, word in enumerate(split_text)])

    print('saving...')
    c.executemany('''
    INSERT INTO Inverted_index (blogger_id, post_id, word_position, word)
    VALUES (?, ?, ?, ?)
    ''', indexed_data)

    start += increment
    if end + increment > len(all_posts):
        end = len(all_posts)
    else:
        end += increment

在sqlite中插入大量数据

Inserting large amounts of data in sqlite

python

database

sqlite

bulkinsert