doc: batch processing overview and pipelined dml (#19021)

pingcap · Jan 8, 2025 · a31d708 · a31d708
1 parent adaed42
commit a31d708
Show file tree

Hide file tree

Showing 4 changed files with 248 additions and 12 deletions.
diff --git a/TOC.md b/TOC.md
@@ -391,6 +391,7 @@
   - [Load Base Split 使用文档](/configure-load-base-split.md)
   - [Store Limit 使用文档](/configure-store-limit.md)
   - [DDL 执行原理及最佳实践](/ddl-introduction.md)
+  - [数据批量处理](/batch-processing.md)
   - PD 微服务使用文档
     - [PD 微服务概览](/pd-microservices.md)
     - [使用 TiUP 扩容缩容 PD 微服务节点](/scale-microservices-using-tiup.md)
@@ -941,6 +942,7 @@
       - [乐观事务](/optimistic-transaction.md)
       - [悲观事务](/pessimistic-transaction.md)
       - [非事务 DML 语句](/non-transactional-dml.md)
+      - [Pipelined DML](/pipelined-dml.md)
     - [视图](/views.md)
     - [分区表](/partitioned-table.md)
     - [临时表](/temporary-tables.md)

diff --git a/batch-processing.md b/batch-processing.md
@@ -0,0 +1,97 @@
+---
+title: 数据批量处理
+summary: 介绍了 TiDB 为数据批量处理场景提供的功能，包括 Pipelined DML、非事务性 DML、IMPORT INTO 语句以及已被废弃的 batch-dml。
+---
+
+# 数据批量处理
+
+批量数据处理是实际业务中常见且重要的操作，它涉及到对大量数据进行高效操作，如数据迁移、批量导入、归档操作或大规模更新等。
+
+为了提升批量处理性能，TiDB 随着版本的演进提供了多种数据批量处理功能：
+
+- 数据导入
+    - `IMPORT INTO` 语句（从 TiDB v7.2.0 开始引入，在 v7.5.0 成为正式功能）
+- 数据增删改
+    - Pipelined DML（从 TiDB v8.0.0 开始引入，实验特性）
+    - 非事务性 DML（从 TiDB v6.1.0 开始引入）
+    - 已废弃的 batch-dml 功能
+
+本文分别介绍这些功能的主要优势、限制和使用场景，帮助你根据实际需求选择合适的方案，从而更高效地完成批量数据处理任务。
+
+## 数据导入
+
+`IMPORT INTO` 语句专为数据导入设计，使你无需单独部署 [TiDB Lightning](/tidb-lightning/tidb-lightning-overview.md)，即可将 CSV、SQL 或 PARQUET 等格式的数据快速导入到 TiDB 的一张空表中。
+
+主要优势：
+
+- 导入速度非常快。
+- 比 TiDB Lightning 更易用。
+
+主要限制：
+
+- 不满足事务 [ACID](/glossary.md#acid) 性质。
+- 使用限制较多。
+
+适用场景：
+
+- 数据导入场景，例如数据迁移、数据恢复等。建议在合适的场景下，使用 IMPORT INTO 代替 TiDB Lightning。
+
+更多信息，请参考 [`IMPORT INTO`](/sql-statements/sql-statement-import-into.md)。
+
+## 数据增删改
+
+### Pipelined DML
+
+Pipelined DML 是从 TiDB v8.0.0 开始引入的实验特性。在 v8.5.0 中，TiDB 对该功能进行了完善，其性能得到大幅提升。
+
+主要优势：
+
+- 在事务执行过程中，通过将数据持续写入存储层，而不是全部缓存在内存中，使得事务大小不再受到 TiDB 内存限制，支持处理超大规模数据。
+- 性能比标准 DML 更好。
+- 通过系统变量启用，无需修改 SQL 语句。
+
+主要限制：
+
+- 只适用于[自动提交](/transaction-overview.md#自动提交)的 `INSERT`、`REPLACE`、`UPDATE`、`DELETE` 语句。
+
+适用场景：
+
+- 通用的批量数据处理场景，例如大量数据的插入、更新、删除等。
+
+更多信息，请参考 [Pipelined DML](/pipelined-dml.md)。
+
+### 非事务 DML 语句
+
+非事务 DML 语句是从 TiDB v6.1.0 开始引入的功能。在 v6.1.0 中，该功能仅支持 `DELETE` 语句。从 v6.5.0 起，该功能新增支持 `INSERT`、`REPLACE`、`UPDATE` 语句。
+
+主要优势：
+
+- 通过将一条 SQL 语句拆为多条语句执行，使得每个语句的事务更小，绕开内存限制。
+- 处理速度比标准 DML 稍快或相当。
+
+主要限制：
+
+- 只适用于[自动提交](/transaction-overview.md#自动提交)的语句。
+- 需要修改 SQL 语句。
+- 对 SQL 语句本身限制较多，不符合条件的语句可能需要改写。
+- 因为 SQL 语句被拆分执行，不具有完整的事务 ACID 性质，在失败时语句可能部分完成。
+
+适用场景：
+
+- 大量数据的插入、更新、删除等场景。由于限制较多，建议在 Pipelined DML 不适用的场景下考虑使用。
+
+更多信息，请参考[非事务 DML 语句](/non-transactional-dml.md)。
+
+### 已被废弃的 batch-dml
+
+TiDB 在 v4.0 之前提供了 batch-dml 功能，用于批量数据处理。该功能已被废弃，不再推荐使用。batch-dml 功能由以下这些系统变量控制：
+
+- `tidb_batch_insert`
+- `tidb_batch_delete`
+- `tidb_batch_commit`
+- `tidb_enable_batch_dml`
+- `tidb_dml_batch_size`
+
+因为该功能可能引起数据索引不一致，导致数据损坏或丢失，以上变量已被废弃，并计划将在未来的版本中逐渐移除。
+
+不建议在任何场景下使用已被废弃的 batch-dml 功能。建议选择上面描述的其它方案。
diff --git a/pipelined-dml.md b/pipelined-dml.md
@@ -0,0 +1,148 @@
+---
+title: Pipelined DML
+summary: 介绍 Pipelined DML 的使用场景、使用方法、使用限制和使用该功能的常见问题。Pipelined DML 增强了 TiDB 批量处理的能力，使得事务大小不再受到 TiDB 内存限制。
+---
+
+# Pipelined DML
+
+> **警告：**
+>
+> 该功能目前为实验特性，不建议在生产环境中使用。该功能可能会在未事先通知的情况下发生变化或删除。语法和实现可能会在 GA 前发生变化。如果发现 bug，请在 GitHub 上提 [issue](https://github.com/pingcap/tidb/issues) 反馈。
+
+本文介绍 Pipelined DML 的使用场景、使用方法、使用限制和使用该功能的常见问题。
+
+## 功能概述
+
+Pipelined DML 是 TiDB 从 v8.0.0 开始引入的实验特性，用于优化大规模数据写入场景的性能。启用 Pipelined DML 后，当执行 DML 操作时，TiDB 会将相应的数据持续写入存储层，而不是全部缓存在内存中。这种方式就像流水线 (Pipeline) 一样，数据一边被读取（输入），一边被写入到存储层（输出），从而解决了大规模 DML 操作的以下常见问题：
+
+- 内存限制：传统 DML 在处理大量数据时容易导致 OOM
+- 性能瓶颈：大事务执行效率低，容易引起系统负载波动
+
+启用此功能后，你可以：
+
+- 执行不受 TiDB 内存限制的大规模数据操作
+- 获得更平稳的系统负载和更低的操作延迟
+- 将事务内存使用控制在可预测范围内（在 1 GiB 以内）
+
+在以下场景中，建议考虑启用 Pipelined DML：
+
+- 需要处理数百万行或更多数据的写入
+- 执行 DML 操作时遇到内存不足错误
+- 大规模数据操作导致系统负载波动明显
+
+需要注意的是，虽然 Pipelined DML 能显著降低事务处理的内存需求，但执行大规模数据操作时，仍需要[设置合理的内存阈值](/system-variables.md#tidb_mem_quota_query)（建议至少 2 GiB），以确保除事务以外其他模块（如执行器）的正常运行。
+
+## 使用限制
+
+目前，Pipelined DML 存在以下使用限制：
+
+- 与 TiCDC、TiFlash 或 BR 尚不兼容，请勿在与这些组件有关的表上使用 Pipelined DML。强行使用可能会引发阻塞以及这些组件的 OOM 等问题。
+- 不适用于存在写入冲突的场景。在这种场景下，Pipelined DML 性能可能大幅下降，或失败回滚。
+- 在使用 Pipelined DML 执行 DML 语句的过程中，需要确保[元数据锁](/metadata-lock.md)保持开启。
+- 启用 Pipelined DML 后，TiDB 在执行 DML 语句时会自动检测以下条件是否全部符合。如果其中任一条件不符合，TiDB 会拒绝使用 Pipelined DML 执行该语句，自动回退到普通 DML 执行，并生成对应的 warning 信息：
+    - 仅支持[自动提交](/transaction-overview.md#自动提交)的语句。
+    - 仅支持 `INSERT`、`UPDATE`、`REPLACE` 和 `DELETE` 语句。
+    - 操作的表不包含[临时表](/temporary-tables.md)或[缓存表](/cached-tables.md)。
+    - 当[外键约束](/foreign-key.md)检查开启 (`foreign_key_checks = ON`) 时，操作的表不包含外键关系。
+- 当使用 Pipelined DML 执行 `INSERT IGNORE ... ON DUPLICATE KEY UPDATE` 语句时，如果更新操作发生冲突，可能会返回 `Duplicate entry` 错误。
+
+## 使用方法
+
+本小节介绍如何启用 Pipelined DML 并验证其是否生效。
+
+### 启用 Pipelined DML
+
+根据需要，你可以选择以下方式之一启用 Pipelined DML：
+
+- 如需在会话级别启用 Pipelined DML，请将 [`tidb_dml_type`](/system-variables.md#tidb_dml_type-从-v800-版本开始引入) 变量设置为 `"bulk"`：
+
+    ```sql
+    SET tidb_dml_type = "bulk";
+    ```
+
+- 如需为某一条 DML 语句启用 Pipelined DML，请在该语句中添加 [`SET_VAR`](/optimizer-hints.md#set_varvar_namevar_value) hint。
+
+    - 数据归档示例：
+
+        ```sql
+        INSERT /*+ SET_VAR(tidb_dml_type='bulk') */ INTO target_table SELECT * FROM source_table;
+        ```
+
+    - 批量数据更新示例：
+
+        ```sql
+        UPDATE /*+ SET_VAR(tidb_dml_type='bulk') */ products
+        SET price = price * 1.1
+        WHERE category = 'electronics';
+        ```
+
+    - 批量删除示例：
+
+        ```sql
+        DELETE /*+ SET_VAR(tidb_dml_type='bulk') */ FROM logs WHERE log_time < '2023-01-01';
+        ```
+
+### 验证是否生效
+
+执行 DML 语句后，可以查看 [`tidb_last_txn_info`](/system-variables.md#tidb_last_txn_info-从-v409-版本开始引入) 变量来确认该语句的执行是否使用了 Pipelined DML：
+
+```sql
+SELECT @@tidb_last_txn_info;
+```
+
+如果返回结果中 `pipelined` 字段为 `true`，则表示成功使用了 Pipelined DML。
+
+## 最佳实践
+
+- 将 [`tidb_mem_quota_query`](/system-variables.md#tidb_mem_quota_query) 略微调大，以确保执行器等部分的内存使用不会超过限制。建议至少设置为 2 GiB。对于 TiDB 内存充足的情况，可以适当调大。
+- 在向新表插入数据的场景，Pipelined DML 性能易受到热点影响。为实现最佳性能，建议尽可能先打散热点。可以参考 [TiDB 热点问题处理](/troubleshoot-hot-spot-issues.md)。
+
+## 相关配置
+
+- 系统变量 [`tidb_dml_type`](/system-variables.md#tidb_dml_type-从-v800-版本开始引入) 用于控制是否在会话级别启用 Pipelined DML。
+- 当 [`tidb_dml_type`](/system-variables.md#tidb_dml_type-从-v800-版本开始引入) 设置为 `"bulk"` 时，配置项 [`pessimistic-auto-commit`](/tidb-configuration-file.md#pessimistic-auto-commit) 的效果等同于设置为 `false`。
+- 以 Pipelined DML 方式执行事务时，事务的大小不受 TiDB 配置项 [`txn-total-size-limit`](/tidb-configuration-file.md#txn-total-size-limit) 的限制。
+- 以 Pipelined DML 方式执行超大事务时，事务耗时可能较长。对于这种模式的事务，其事务锁的最大 TTL 为 [`max-txn-ttl`](/tidb-configuration-file.md#max-txn-ttl) 与 24 小时中的较大值。
+- 当事务执行时间超过 [`tidb_gc_max_wait_time`](/system-variables.md#tidb_gc_max_wait_time-从-v610-版本开始引入) 设定值后，GC 可能会强制回滚事务，导致事务失败。
+
+## 观测 Pipelined DML
+
+你可以通过以下方式观测 Pipelined DML 的执行过程：
+
+- 查看系统变量 [`tidb_last_txn_info`](/system-variables.md#tidb_last_txn_info-从-v409-版本开始引入)，获取当前会话上一个事务的执行信息，包括是否使用了 Pipelined DML。
+- 查看 TiDB 日志中包含 `"[pipelined dml]"` 字样的行，了解 Pipelined DML 的执行过程和进度，包括当前阶段、已经写入的数据量等。
+- 查看 TiDB 日志中的 [`expensive query` 日志](/identify-expensive-queries.md#expensive-query-日志示例)的 `affected rows` 字段，获取耗时较长语句的当前进度。
+- 查看 [`INFORMATION_SCHEMA.PROCESSLIST`](/information-schema/information-schema-processlist.md) 表，了解事务的执行进度。Pipelined DML 通常用于大事务，执行耗时较长，可以通过该表查看事务的执行进度。
+
+## 常见问题
+
+### 为什么我的查询没有使用 Pipelined DML？
+
+当 TiDB 拒绝以 Pipelined DML 模式执行语句时，会生成对应的警告信息，可以通过检查警告信息 (`SHOW WARNINGS;`) 确定原因。
+
+常见的原因：
+
+- DML 语句不是自动提交的
+- 使用了不支持的表类型，例如[临时表](/temporary-tables.md)或[缓存表](/cached-tables.md)
+- 涉及外键且外键检查开启
+
+### Pipelined DML 会影响事务的隔离级别吗？
+
+不会。Pipelined DML 仅改变了事务写入的实现机制，不影响 TiDB 的事务隔离保证。
+
+### 为什么使用了 Pipelined DML 还是会出现内存不足？
+
+即使开启了 Pipelined DML，仍然有可能碰到内存 quota 不足导致语句被 kill 的情况：
+
+```
+The query has been canceled due to exceeding the memory limit allowed for a single SQL query. Please try to narrow the query scope or increase the tidb_mem_quota_query limit, and then try again.
+```
+
+这是因为 Pipelined DML 功能仅能控制事务执行过程中数据使用的内存，但语句执行时使用的总内存还包括执行器等部分的内存。如果语句执行时所需的总内存超过了 TiDB 的内存限制，仍然可能会出现内存不足的错误。
+
+通常情况下，将系统变量 [`tidb_mem_quota_query`](/system-variables.md#tidb_mem_quota_query) 设置为更大的值可以解决该问题。推荐设置为 2 GiB。对于算子复杂或涉及数据量大的 SQL 语句，可能需要将该变量设置为更大的值。
+
+## 探索更多
+
+- [批量处理概览](/batch-processing.md)
+- [TiDB 内存控制](/configure-memory-usage.md)
diff --git a/system-variables.md b/system-variables.md
@@ -1632,18 +1632,7 @@ mysql> SELECT job_info FROM mysql.analyze_jobs ORDER BY end_time DESC LIMIT 1;
 - 可选值：`"standard"`、`"bulk"`
 - 该变量用来设置 DML 语句的执行方式。
     - `"standard"` 表示使用标准的 DML 执行方式，TiDB 事务在提交前缓存在内存中。适用于处理高并发且可能存在冲突的事务场景，为默认推荐使用的执行方式。
-    - `"bulk"` 表示使用批量 DML 执行方式，适合于处理因大量数据写入导致 TiDB 内存使用过多的情况。
-        - 在 TiDB 事务执行过程中，数据不是完全缓存在 TiDB 内存中，而是持续写入 TiKV，以减少内存的占用，同时平滑写入压力。
-        - 只有 `INSERT`、`UPDATE`、`REPLACE` 和 `DELETE` 语句受 `"bulk"` 方式的影响。由于 `"bulk"` 模式流水线执行的方式，其中 `INSERT IGNORE ... ON DUPLICATE UPDATE ...` 的用法可能会在更新造成冲突时报出 `Duplicate entry` 的错误；而在 `"standard"` 模式下，由于设置了 `IGNORE` 关键字，该错误会被忽略，不会返回给用户。
-        - `"bulk"` 方式仅适用于大批量**无冲突数据写入**的场景，不能高效处理写入冲突的场景，写写冲突可能会导致大批量事务提交失败并被回滚。
-        - `"bulk"` 方式只对自动提交 (auto-commit) 的语句生效。当设置为 `"bulk"` 时，[`pessimistic-auto-commit`](/tidb-configuration-file.md#pessimistic-auto-commit) 配置项的效果等同于设置为 `false`。
-        - 使用 `"bulk"` 方式执行语句时，需要确保在语句执行过程中保持[元数据锁](/metadata-lock.md)处于开启状态。
-        - `"bulk"` 方式不可以在[临时表](/temporary-tables.md)、[缓存表](/cached-tables.md)上使用。
-        - `"bulk"` 方式不可以在开启外键约束检查时 (`foreign_key_checks = ON`) 对包含外键的表和被外键引用的表使用。
-        - 当遇到不支持或不兼容的情况时，`"bulk"` 方式会回退到 `"standard"` 方式执行，并返回一条警告信息。你可以通过 [`tidb_last_txn_info`](#tidb_last_txn_info-从-v409-版本开始引入) 查看 `pipelined` 字段，如果为 `true` 则表示是使用 `"bulk"` 方式执行。
-        - 以 `"bulk"` 方式执行超大事务时，事务耗时可能较长。对于这种模式的事务，其事务锁的最大 TTL 为 [`max-txn-ttl`](/tidb-configuration-file.md#max-txn-ttl) 与 24 小时中的较大值。此外，当事务执行时间超过 [`tidb_gc_max_wait_time`](#tidb_gc_max_wait_time-从-v610-版本开始引入) 设定值后，GC 可能会强制回滚事务，导致事务失败。
-        - 以 `"bulk"` 方式执行事务时，事务的大小不受 TiDB 配置项 [`txn-total-size-limit`](/tidb-configuration-file.md#txn-total-size-limit) 的限制。
-        - `"bulk"` 方式由 Pipelined DML 特性实现，详细设计和 GitHub issue 可见 [Pipelined DML](https://github.com/pingcap/tidb/blob/master/docs/design/2024-01-09-pipelined-DML.md) 和 [#50215](https://github.com/pingcap/tidb/issues/50215)。
+    - `"bulk"` 表示使用 Pipelined DML 执行方式，适合于处理因大量数据写入导致 TiDB 内存使用过多的情况。更多信息，请参考 [Pipelined DML](/pipelined-dml.md)。
 
 ### `tidb_enable_1pc` <span class="version-mark">从 v5.0 版本开始引入</span>