Dotaz: použití sqlite pro hromady čísel: rychlost?

[vencas]

Zdravím,

pracuju na fyzikálním simulačním programu, kde se během výpočtů pravidelně (pro účely pozdější visualisace) ukládá část stavu simulace. Mám např. 10000 částic a u každé z nich potřebuju jednou za 30s výpočtu uložit 3 souřadnice (typ double) polohy, 4 složky prostorové orientace, 3 další pro označení RGB. Když výpočet běží třeba 24 hodin, dává to řádově stamiliony čísel.

V současné chvíli se vytváří hromada souborů snapshot-0001340.bz2 atd, které v sobě mají ta čísla v ASCII (ve sloupcích, každý řádek jedna částice). ((předesílám, surová binární data nechci, to se nedá pohodlně prohlížet)) No a při čtení se soubory vyhledají v daném adresáři, setřídí (podle čísla iterace) a postupně načítají.

No a napadlo mě, co kdyby se to ukládalo do sqlite. Výhodou by byl jeden soubor (sqlite prý podporuje až 2TB, mně to bzip2ované zabíralo asi 1GB), případně by se dal formát různě modifikovat, ukládat nějaká metadata u každé iterace (třeba kolik bylo hodin) atd.

Dokáže někdo ze zkučených odhadnout, jak by to bylo s rychlostí zápisu a jak s rychlostí čtení? Při čtení budu muset vždy vyhledat číslo podle iterace, čísla částice a údaje, který si chci přečíst - čtení je ale striktně sekvenční, nebude ta hromada SELECTů moc pomalá?

Jakou strukturu by měla mít tabulka? Třeba sloupce: iterace, id_částice, 10 sloupců pro čísla. Nebo pro každou iteraci zvláštní tabulku a pak jednu supertabulku, kde budou jméne těch tabulek pro jednotlivé iterace?

Mám s databázemi minimální zkušenosti, omlouvám se za možná hloupé otázky. Google mi přímo k tématu nic neporadil, nebo jsem nevěděl, jak se správně zeptat.

Díky moc, Vašek

Odpovědi

[Miška]

Ad sekvencni cteni - muzes udelat jeden velkej select a pak sekvencne cist radky vysledku

[cynik]

Rezije ukladani do cehokoli (textovy soubor nebo databaze) je velka. Doporucuju data typu program <-> program ukladat primo ve vnitrni reprezentaci bez jakekoli konverze. Pokud jsou data ulozena v nejake tabulce podobne strukture, pak k nim bude pristup velmi rychly. Jinymi slovy se tomu rika binarni ukladani dat.

[vencas]

Ano, že je tam režie je jasné. Binárně to ale ukládat nejde, protože ta čísla jsou rozprsklá v instancích různých tříd a kdyby se změnily datové struktury, tak už se to nenačte. A nebylo by to přenositelné mezi architekturami.

Ukládání v ASCII do texťáků a čtení z nich je výkonem ucházející. Měl jsem se zeptat přesněji: jestli to v sqlite nebude řádově pomalejší. Výhoda jednoho souboru a metadat to i při malém zpomalení myslím vyváží.

[Semo]

Ani sqlite neoklame fyziku. Ak sekvencny zapis do suboru je vykonovo iba relativne tesne nad pozadovanym vykonom, tak ziadnou databazou rychlejsi zapis nespravis. Skor pomalsi, ak to bude zapisovat na preskacku (data + indexy napr.). Jedine cim by si mohlo ziskat je, ze data budu vlastne zapisovane binarne za cenu toho, ze na ludske citanie dat potrebujes sqlite ako interpreter. Co mozes dosiahnut aj binarnym ukladanim dat do suboru (vyhnut sa fprintf a fscanf, pretoze to su obrovske a relativne molochy (binarne neznamena automaticky, ze skopirujes 100MB pamate zaradom do suboru)) a ukladat int ako 4 byty. A na ludske citanie si spravit vlastny interpreter.

[kafa]

Binárním zápisem není myšlena žádná perzistence dat ale záznam bez konverce (fwrite a fread u C). Pokud jste schopen zapisovat s konverzí, musí to jít i bez ní - žádná změna datových struktur není potřeba. Popravdě řečeno provádět dvojí zbytečnou konverzi je hrůzné a zpomalení citelné. A pokud data na disku potřebujete prohlížet (i když moc nechápu proč), není problém napsat krátký konverzní program pouze pro tento účel. Pokud nepotřebujete vybírat jednotlivé body a musíte zpracovat např. včechny body dané instance (asi ano - pokud vyhovuje sekvenční čtení), pak o využití databáze vůbec neuvažujte. Přinese vám pouze komplikace, řádové zpomalení a ztrátu času při experimentování!

[diverman]

pokud netrvas na stalosti ulozenych dat, muzes zkusit 'memcached', ten je rychly dostatecne...

[franta]

memcached je pouze objektova cache z nic bez znalosti presneho identifikatoru objektu nedostanu vubec nic. Tudiz je to na reseni tohodle problemu i zdanlive naprosto nepouzitelne reseni. Dale pokud te cachi dojde pridelena pamet tak proste dalsi vysledky vypoctu proste zahodim ? K cemu potom provadet takovy vypocet ?

[Aleš Kapica]

Nedávno jsem si dělal takovou utilitku. Data jsem vrazil do sqlite3. Takže jen pár postřehů:

Soubor importovaný do databáze měl 3015232. Vkládání přes jednotlivé SQL inserty bylo nekonečné, mnohem lepší výsledek jsem dosáhl s použitím oddělovačů.

Na rychlost výběru má značný vliv skutečnost zda je či není vytvořený index.

[Aleš Kapica]

U čísla jsem zapoměl uvést čeho - pochopitelně řádků.

[Aleš Kapica]

Ještě k rychlosti výběru. Bez indexu v řádech sekund. S indexem v desetinách sekundy.

[e]

A ty inserty jsi mel zabalene do jedne transakce nebo se po kazdem insertu provadel autocommit? Jeste mne napadlo pouzit rrdtool... Ale asi by se musel pouzit zvlastni soubor pro kazdou castici.

[vencas]

Můžete prosím trochu víc pro člověka neznalého sqlite? jen třeba napsat pár klíčových slov podle kterých dohledám, jak udělat oddělovače atd.

Vytvoření indexu: to se dá udělat při otevření databáze, ne? Zjistit, jestli tam index je, pokud ne, udělat ho.

Díky.

[Aleš Kapica]

Na ukázku kousek kódu..

sed -e '1,2 d' -e 's/"//g' -e 's/,/|/g' "$PATHDATA/GeoLiteCity-Location.csv" > $TMP
sqlite3 $IPDatabase ".import $TMP Location"
sqlite3 $IPDatabase 'CREATE INDEX "main" on Location (locId ASC);'

Ta utilitka slouží pro vyhledání souřadnic pro IP, tohle je jen kousek z kódu. Podstatné je, že csv soubor je upraven ořezáním prvních dvou řádků a nahrazením oddělovače na typ jaký používá sqlite3 nativně (svislítko). Takto upravený soubor s daty je naimportován do příslušné tabulky. Poslední řádek pak po importu vytvoří index.

A vůbec, v dokumentaci se můžete dočíst spoustu zajímavých věcí a tipů.

[vencas]

Děkuju. Když to udělám se svislítkem, tak se čísla v paměti převede na string (čísla oddělená svislítkem), který si v příkazu sqlite rozparsuje, jednotlivá čísla převede zpět na číslo a uloží jako binární záznamy? V API jsem nenašel funkci (*insert*), která by nepotřebovala ten převod na text. Ale možná že to je zanedbatelné zpomalení.

[Aleš Kapica]

FAQ bod 3, podle všeho je to naprosto normální.

[Semo]

Nechapem preco si tak posadnuty prevadzanim na text a potom naspat. Ale tvoja vec. Len ako na ilustraciu "zanedbatelneho spomalenia" dva programceky. Kazdy kopiruje iba z pamate do pamate, jeden to konvertuje na text a naspat, druhy priamo - binarne.

#include <stdio.h>

int main(int argc, char** argv)
{
    int i, n;
    char s[20];
    for (i=0; i<30000000; i++) {
        sprintf(s, "%d", i);
        sscanf(s, "%d", &n);
    }
    return 0;
}

time ./print
real    0m25.825s
user    0m25.680s
sys     0m0.010s

a druhy:

#include <string.h>

int main(int argc, char** argv)
{
    int i, n, b;
    for (i=0; i<30000000; i++) {
        memcpy(&b, &i, sizeof(i));
        memcpy(&n, &b, sizeof(i));
    }
    return 0;
}

time ./write
real    0m0.305s
user    0m0.300s
sys     0m0.000s

(user time druheho programu rastie linearne s hornou hranicou cyklu, takze cas na vytvorenie procesu a podobne mozeme zanedbat.)

Isteze, vypisovanie cisel do suboru nie je iba samotna koverzia, ale aj cinnosti, ktore treba spravit pri oboch sposoboch vypisu a nacitania, takze celkovy pomer nebude tak vysoky. Ale o "nenarocnosti" to hovori dost.

Zaver: vzhladom na jednorazove sekvencne zapisovanie/nacitavanie dat do/zo suborov, nic lepsie ako binarny zapis do suboru nenajdes.

[vencas]

Proč jsem "posedlý", když tomu tak chcete říkat: do sqlite to budu ukládat tak, ža zavolám sqlite3_prepare(...); sqlite3_step(...) nebo případně sqlite3_exec(...). Ve všech případech tomu příkazu předávám SQL příkaz jako char*. Tím pádem ta data musím nejdřív překonvertovat na text. Sqlite si data rozparsuje a pokusí se ta čísla (v textu) uložit jako čísla v databázi (děkuju za odkaz na FAQ 3.) Chápu to správně?

Opravdu jsem začátečník s databázemi, tak mě nezabíjejte. Představoval jsem si, že bude existovat funkce jako sqlite3_insert_float(sqlite* databaze,table* tabulka,float hodnota), aby to nemuselo jít přes příkaz SQL.

(Za to měření rychlosti děkuju, počet částic je ale v reálu o 3 řády menší, takže třeba by to opravdu tak hrozné nebylo. Nevím, časem zkusím.)

[JS]

SQLite je na tohle imho pomale, zkuste Datadraw. Nemam s tim zkusenosti, ale vypada to zajimave. Jinak pokud chcete data sekvencne ulozit, pak setridit a znovu zpracovat, proc nepouzit obycejny soubor a sort?

[Jirka P]

Na tohle by měly být ty CDF/HDF formáty, zkus je. (Nemá s tím někdo zkušenosti?)

[J. Macků]

Nevím na jakém hw to chcete provozovat. Zde jsou jakési orientační benchmarky (http://www.sqlite.org/speed.html) se starší verzí. Řada 3 má více funkcí a je rychlejší. Pokud ty inserty uzavřete do transakce, tak se s 10000 vzorky musíte vejít hluboko pod 1s. Kdysi jsme dělali projekt na ukládání dat s sqlite a protože toho bylo hodně, dělali jsme denní tabulky a měsíční databáze. SQLite to zvládala velmi dobře. Pro nastíněný účel bych doporučil jednu tabulku (co záznam to řádek) pokud nevychází počet sloupců příliš velký (<50). Indexoval bych až hotové tabulky (třeby ty denní) pro účely vyhledávání (zpracování). Pokud použijete prepare, bind, step, finalize (http://www.sqlite.org/c3ref/stmt.html), žádné konverze se neuplatní.

Jediné co SQLite z podstaty nemá ráda jsou konkurenční přístupy a mnoho jednotlivých přístupů. I to se dá zlepšit třeba uložením databáze na ramdisk s periodickou replikací na HDD.

S pozdravem J.M.

[vencas]

Nádherná odpověď, vřelé díky.

[vencas]

Příloha:

• try1.cc (1130 bytů)

Přikládám pro zájemce výsledek pokusů. Použil jsem moc hezký c++ wrapper sqlite3x. Při 1e5 řádků po 10 sloupcích dostávám něco přes 1s na uložení všeho plus opětovné přečtení. Select je kupodivu podstatně rychlejší, možná je to kvůli cachování. Rychlost je tedy dostatečná.

Ještě nevím, jestli pro jednotlivé kroky, kdy se budou všechna data ukládat bude lepší vytvořit tabulky, která bude obsahovat jména všech tabulek (s dalšími údaji), ve kterých terpve budou data uložena, nebo to vše narvat do jedné obrovské tabulky, přičemž id snapshotu bude další sloupec - to bude asi pomalejší pro select? Náhodný přístup ani není víceméně třeba, tak to asi udělám jako supertabulka se jmény tabulek s daty.

Díky všem za odpovědi.