sqlldr加载性能问题的排查 (r2第2天)

最近根据业务需要加载一批数据，在生产环境中不到半个小时就完了，可是到了测试环境，竟然跑了6个多小时，另外测试环境和生产环境的数据情况都基本差不多，主机配置也基本类似。大家的注意力都集中到了sqlldr的加载性能上。等到他们找到我时，已经讨论了不少关于direct,convention加载的各种情况了，看似工作也做了不少了。然后我通过邮件历史记录看到大家还讨论了可能是index导致的结果。等到邮件转到我这的时候，已经问题算升了一个等级了。我首先要确定的就是具体的环境，在那台服务器上跑sqlldr,要把数据加载到哪个库。如果在生产上半个小时，可能在环境的某些地方还是有一些差别。首先和开发协调了下，要到了他们使用的control file和sqlldr的命令。首先查看control file，可以看到字段并不多，结构也不复杂。

load data
 discardmax 999
 into table GD1_SUBSCR_KEY
 fields terminated by "!"
 TRAILING NULLCOLS
 ( RESOURCE_VALUE ,RESOURCE_TYPE,EFFECTIVE_DATE DATE(19) "YYYY-MM-DD HH24:MI:SS",EXPIRATION_DATE  DATE(19) "YYYY-MM-DD HH24:MI:SS" ,SUBSCRIBER_NO,SUB_STATUS,CUSTOMER_ID,ACTV_CODE_IND,BE,LANGUAGE CHAR TERMINATED BY '!!',ROUTING_POLICY_ID, L9_PORT_IND,L9_SPLIT_PERIOD )

查看要加载的数据文件，内容如下，数据信息也没有什么特别的地方。

520002055869828!I!2014-05-06 12:19:42!4700-12-31 00:00:00!1003500!A!493053!!0!TH!!0!!NONE!
520002055869828!I!2014-05-02 14:46:11!2014-05-06 12:19:42!1003500!A!493053!!0!TH!!0!!NONE!
520002055869828!I!2014-05-02 12:46:07!2014-05-02 14:46:11!1003500!U!493053!!0!TH!!0!!NONE!
520002055869828!I!2014-05-02 08:41:12!2014-05-02 12:46:07!1003500!U!493053!!0!TH!!0!!NONE!
520002055869828!I!2014-05-02 08:31:28!2014-05-02 08:41:12!1003500!A!493053!!0!TH!!0!!NONE!
520002055869828!I!2014-02-08 19:39:55!2014-05-02 08:31:28!1003500!A!493053!!0!TH!!0!!NONE!
520002055869828!I!2014-02-08 19:39:52!2014-02-08 19:39:55!1003500!A!493053!!0!TH!!0!!NONE!
520002055869828!I!2014-02-08 19:35:49!2014-02-08 19:39:52!1003500!A!493053!!0!TH!!0!!NONE!

查看sqlldr的命令，和开发确认过，和生产使用的是同一套。所以基本的配置都有。没有太大问题。


sqlldr <USER>/<PSW>@<INSTANCE> <uh_ctrl_GD1_XXXX.ctl> DATA=<UH_CRT_GD_XXXX_DDMMYY_HHMISS> DISCARD=GD1_XXXX.dsc  SILENT=FEEDBACK ERRORS=499 LOG=log_GDY_XXXX.log BAD=bad_ORA_FULL_GDY_XXXX_<YYMMDD>.<HHMISS>.dat rows=1000

有了以上的信息，就可以从cpu,io等方面来排查了。首先是cpu，在目标的服务器上面有10台db instances,其中大部分都是在特定的应用中才用到，所以服务器上的cpu消耗并不高。在生产系统中，只有4台db instances,把其它的库都分离到别的服务器上了。查看cpu的负载情况，没有太大的出入。当然了，我查看的时候数据已经加载完成了，也不能确定当时的cpu负载情况，这个时候可以从sqlldr日志中得到印证。加载了6个小时，cpu时间其实就是半个小时左右。这样来说cpu导致的可能性很小。

4096786 Rows successfully loaded.
Run began on Wed Jun 11 08:52:55 2014
Run ended on Wed Jun 11 14:57:40 2014
Elapsed time was:     06:04:44.05
CPU time was:         00:00:38.18

其次从io的角度来看。可能测试环境的Io负载要略微大一些，因为有两套环境在上面，都是使用，但是数据库这边来说测试环境的使用也不是很频繁，只是例行做一些测试而已。而在生产上可能要很多在线业务需要跑一些比较大的查询，从某种角度来说，尽管测试环境的数据库实例多一些，但是负载还要比生产环境小一些。关于这个可以使用sar,iostat等命令来查看。 cpu,io都没有问题。看看缓存，有个做性能的哥们查看了一下缓存的情况，说测试环境的paging情况比较多，建议停掉一些其他的库来释放掉一些缓存，提高数据加载的速度，我马上就表示反对，因为这台服务器有180G内存，每个库的sga都基本在8G左右，所以10个库，总共占用的缓存也在100G左右，加上一些额外的paging，因为测试环境的使用频率不是很高。所以在缓存上可能会相比生产环境要差一些，但是缓存还是相对ijiao充足的。以上的情况都排除，我来看看网络情况，因为个人也对网络不是很在手。不过可以做一些简单的测试来印证。首先在生产环境中做了一个scp的操作。把一个100m的文件传送到另一个客户端。每秒传送速度在50M左右，很快就完了。然后我在测试环境做了类似的操作，把文件从客户端传送到测试数据库端。发现网络相比而言，慢了很多。测试2个文件，开始在150KB/秒的样子，过了一会速度就降下来了。最低的时候再20kb左右的样子。


test.data                                                   0%  288KB 153.3KB/s   0.0KB/s   22:10 ETA^
test.data1                                                  0% 1232KB  22.4KB/s  32.0KB/s 4:35:24 ETA

有了这些信息，之前的纷争一下子就清晰了很多。测试环境在基本类似的情况下，速度那么慢，根源就在于网络。尽管服务端，客户端的cpu,io,缓存等配置都类似，但是速度就卡在了网络了。想象也是，可能有些复杂的问题的原因其实很简单。