1
  2
  3
  4
  5
  6
  7
  8
  9
 10
 11
 12
 13
 14
 15
 16
 17
 18
 19
 20
 21
 22
 23
 24
 25
 26
 27
 28
 29
 30
 31
 32
 33
 34
 35
 36
 37
 38
 39
 40
 41
 42
 43
 44
 45
 46
 47
 48
 49
 50
 51
 52
 53
 54
 55
 56
 57
 58
 59
 60
 61
 62
 63
 64
 65
 66
 67
 68
 69
 70
 71
 72
 73
 74
 75
 76
 77
 78
 79
 80
 81
 82
 83
 84
 85
 86
 87
 88
 89
 90
 91
 92
 93
 94
 95
 96
 97
 98
 99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410

import duckdb

conn = duckdb.connect('benchmark.db')
conn.execute("""
    CREATE TABLE orders AS 
    SELECT * FROM read_csv_auto('large_ecommerce_orders.csv')
""")
conn.close()
```text

结果：**0.4363 秒**，吞吐量 229,221 行/秒，数据库文件 2,572 KB。

自动推断类型，一条 SQL 完事，适合快速原型。不过类型推断偶尔会翻车（后面踩坑部分会讲）。

### 方式二：COPY INTO 已有表

生产环境更推荐这种——先定义好表结构，再导入：

```python
import duckdb

conn = duckdb.connect('benchmark.db')

# 先建表，类型自己把控
conn.execute("""
    CREATE TABLE orders (
        order_id VARCHAR, user_id VARCHAR, product_id VARCHAR, category VARCHAR,
        quantity INTEGER, unit_price DOUBLE, total_amount DOUBLE, status VARCHAR,
        city VARCHAR, order_date DATE, order_time VARCHAR, payment_method VARCHAR
    )
""")

# 导入数据，AUTO_DETECT 自动处理类型转换
conn.execute("""
    COPY orders FROM 'large_ecommerce_orders.csv' (AUTO_DETECT TRUE)
""")
conn.close()
```sql

结果：**0.3826 秒**，吞吐量 261,374 行/秒。

比方式一快了 12%。想了一下也合理——省掉了类型推断那一步，虽然 AUTO_DETECT 开着，但表结构已经定了，DuckDB 只需要做值转换而不是猜类型。

### 方式三：并行 COPY FROM

DuckDB 天生支持多线程，不利用一下说不过去：

```python
import duckdb

conn = duckdb.connect('benchmark.db')
conn.execute("SET threads TO 4")  # 根据 CPU 核心数调整

conn.execute("""
    CREATE TABLE orders AS 
    SELECT * FROM read_csv_auto('large_ecommerce_orders.csv')
""")
conn.close()
```text

结果：**0.3340 秒**，吞吐量 299,387 行/秒。

比单线程快了 24%。10MB 的文件就能感受到差异，文件越大效果越明显。

### 方式四：内存模式 COPY

如果只是做临时分析，不需要持久化，内存模式是最快的：

```python
import duckdb

conn = duckdb.connect(':memory:')
conn.execute("""
    CREATE TABLE orders AS 
    SELECT * FROM read_csv_auto('large_ecommerce_orders.csv')
""")

# 顺便测了个聚合查询
result = conn.execute("""
    SELECT category, COUNT(*) as cnt, SUM(total_amount) as total
    FROM orders
    GROUP BY category
    ORDER BY total DESC
""").fetchall()

conn.close()
```text

结果：导入 **0.2799 秒**，吞吐量 357,282 行/秒。聚合查询只用了 26 毫秒。

没有磁盘 IO 的开销，速度直接拉满。查了一下各品类的销售额：

```text
食品:     12,599 单, ¥19,223,740.39
服装:     12,683 单, ¥19,091,236.40
母婴:     12,496 单, ¥18,981,937.94
电子产品: 12,492 单, ¥18,978,630.35
```sql

数据灌进去 0.28 秒就能查，这个体验确实丝滑。

### 方式五：INSERT 批量（10,000 行/批）

接下来是反面教材。用 `executemany` 做批量插入：

```python
import duckdb
import csv

conn = duckdb.connect('benchmark.db')
conn.execute("CREATE TABLE orders (...)")

with open('large_ecommerce_orders.csv', 'r') as f:
    reader = csv.reader(f)
    next(reader)
    all_rows = list(reader)

batch_size = 10000
for i in range(0, len(all_rows), batch_size):
    batch = all_rows[i:i+batch_size]
    conn.executemany(
        "INSERT INTO orders VALUES (?,?,?,?,?,?,?,?,?,?,?,?)", 
        batch
    )
conn.close()
```sql

这里只测了 1 万行就停了——**10.2588 秒**，吞吐量 975 行/秒。

推算 10 万行要 **102.59 秒**。比 COPY 慢了 268 倍。

### 方式六：INSERT 批量（1,000 行/批）

想着批次小一点会不会更流畅？

```python
batch_size = 1000
for i in range(0, len(all_rows), batch_size):
    batch = all_rows[i:i+batch_size]
    conn.executemany(
        "INSERT INTO orders VALUES (?,?,?,?,?,?,?,?,?,?,?,?)", 
        batch
    )
```sql

结果：1 万行 **10.4445 秒**，吞吐量 957 行/秒。推算 10 万行 **104.45 秒**。

跟 10,000 行/批几乎没区别。这个结果挺出乎意料的——之前一直以为批次越大越好，看来在 DuckDB 这里不是这么回事。

### 方式七：INSERT 逐行插入

最后测了最暴力的方式，一行一行插：

```python
for row in all_rows:
    conn.execute(
        "INSERT INTO orders VALUES (?,?,?,?,?,?,?,?,?,?,?,?)", 
        row
    )
```sql

只跑了 1,000 行就不想等了——**1.6531 秒**，吞吐量 605 行/秒。推算 10 万行要 **165.31 秒**，将近 3 分钟。

## 性能数据汇总

把所有结果放一起看：

| 导入方式 | 耗时 | 速度（行/秒） | 推荐度 |
|---------|------|------------|--------|
| 内存模式 COPY | 0.28s | 357,282 | ⭐⭐⭐⭐⭐ |
| 并行 COPY FROM | 0.33s | 299,387 | ⭐⭐⭐⭐⭐ |
| COPY INTO 已有表 | 0.38s | 261,374 | ⭐⭐⭐⭐⭐ |
| COPY FROM（单线程） | 0.44s | 229,221 | ⭐⭐⭐⭐ |
| INSERT 批量（10k） | ~103s* | 975 | ⭐⭐ |
| INSERT 批量（1k） | ~104s* | 957 | ⭐⭐ |
| INSERT 逐行 | ~165s* | 605 | ⭐ |

*INSERT 测试仅跑了 1 万行或 1 千行，10 万行数据为线性推算。

直观对比一下：

```text
导入耗时（10万行）：

内存模式 COPY:     █ 0.28秒
并行 COPY FROM:    █ 0.33秒
COPY INTO:         █ 0.38秒
COPY FROM:         █ 0.44秒
INSERT 批量:       ████████████████████████████████████████ 104秒
INSERT 逐行:       ██████████████████████████████████████████████████ 165秒
```text

```text
吞吐量（行/秒）：

内存模式 COPY:     ████████████████████████████████████ 357,282
并行 COPY FROM:    ██████████████████████████████████ 299,387
COPY INTO:         ████████████████████████████████ 261,374
COPY FROM:         ████████████████████████████ 229,221
INSERT 批量(10k):  █ 975
INSERT 批量(1k):   █ 957
INSERT 逐行:       █ 605
```sql

差距一目了然。COPY 系列都在 0.3-0.5 秒区间，INSERT 系列直接掉到 100 秒以上。

## 踩坑记录

### 批次大小不影响 INSERT 性能

测之前以为 10,000 行/批会比 1,000 行/批快不少，结果 957 vs 975 行/秒，几乎一样。

DuckDB 的 INSERT 路径本身就有批量处理机制，调大批次并不会减少多少开销。如果非要用 INSERT，批次设 5,000-10,000 就够了，再大也没意义。

### AUTO_DETECT 的性能损失可以忽略

COPY INTO 开着 `AUTO_DETECT TRUE`，比手动指定类型慢了不到 5%。便利性远大于这点损耗，生产环境放心开着。

### 并行线程数别超过物理核心

测试用的 `SET threads TO 4`，性能提升 24%。如果是 8 核机器，设 6-8 都行。超过物理核心数反而会因为上下文切换变慢。

### 内存模式虽快，但要清楚代价

内存模式导入最快（0.28 秒 vs 持久化的 0.38 秒），但进程退出数据就没了。适合做数据探索和临时分析，别拿来做生产存储。

## 生产环境推荐方案

测完之后，整理了一个选择逻辑：

**临时数据分析** → 内存模式 + COPY
```python
conn = duckdb.connect(':memory:')
conn.execute("""
    CREATE TABLE orders AS 
    SELECT * FROM read_csv_auto('data.csv')
""")
```text

**生产环境导入** → 持久化 + COPY INTO + 预定义表结构
```python
conn = duckdb.connect('production.db')
conn.execute("SET threads TO 4")

conn.execute("""
    CREATE TABLE orders (
        order_id VARCHAR,
        user_id VARCHAR,
        -- ... 定义好每个字段类型
    )
""")

conn.execute("""
    COPY orders FROM 'data.csv' (AUTO_DETECT TRUE)
""")
```text

**大文件导入（>100MB）** → 并行模式
```python
conn.execute("SET threads TO 8")  # 根据核心数调整
```text

## 完整的生产导入脚本

把上面的经验整合成一个可以直接用的脚本：

```python
#!/usr/bin/env python3
"""
DuckDB 生产环境数据导入脚本
性能基准：10万行 CSV < 0.5秒
"""
import duckdb
import time
import os


def import_csv_to_duckdb(csv_path, db_path, table_name, threads=4):
    """
    高性能导入 CSV 到 DuckDB
    
    Args:
        csv_path: CSV 文件路径
        db_path: DuckDB 数据库路径
        table_name: 表名
        threads: 并行线程数
    
    Returns:
        dict: 导入统计信息
    """
    if os.path.exists(db_path):
        os.remove(db_path)
    
    conn = duckdb.connect(db_path)
    conn.execute(f"SET threads TO {threads}")
    
    start = time.time()
    
    # 预定义表结构（生产推荐）
    conn.execute(f"""
        CREATE TABLE {table_name} (
            order_id VARCHAR,
            user_id VARCHAR,
            product_id VARCHAR,
            category VARCHAR,
            quantity INTEGER,
            unit_price DOUBLE,
            total_amount DOUBLE,
            status VARCHAR,
            city VARCHAR,
            order_date DATE,
            order_time VARCHAR,
            payment_method VARCHAR
        )
    """)
    
    conn.execute(f"""
        COPY {table_name} FROM '{csv_path}' (AUTO_DETECT TRUE)
    """)
    
    elapsed = time.time() - start
    count = conn.execute(f"SELECT COUNT(*) FROM {table_name}").fetchone()[0]
    db_size = os.path.getsize(db_path)
    
    conn.close()
    
    return {
        'rows': count,
        'time': elapsed,
        'speed': count / elapsed,
        'db_size': db_size
    }


if __name__ == '__main__':
    result = import_csv_to_duckdb(
        csv_path='large_ecommerce_orders.csv',
        db_path='ecommerce.db',
        table_name='orders'
    )
    
    print(f"✓ 导入完成")
    print(f"  行数: {result['rows']:,}")
    print(f"  耗时: {result['time']:.4f} 秒")
    print(f"  速度: {result['speed']:,.0f} 行/秒")
    print(f"  数据库大小: {result['db_size'] / 1024:.2f} KB")
```text

实际跑出来的结果：

```text
✓ 导入完成
  行数: 100,000
  耗时: 0.3826 秒
  速度: 261,374 行/秒
  数据库大小: 2,572.00 KB
```text

## 性能基准参考

按这次测试的数据外推一下，给大家一个粗略的参考：

| 数据量 | COPY 耗时 | INSERT 耗时（推算） |
|-------|----------|-----------------|
| 10 万行 | 0.3-0.5 秒 | ~100-165 秒 |
| 100 万行 | 3-5 秒 | ~1000-1650 秒 |
| 1000 万行 | 30-50 秒 | 别想了 |

1000 万行用 INSERT 要几个小时，用 COPY 不到一分钟。选错方式的代价就是这么夸张。

## 总结

这次测试最核心的结论就一句话：**用 COPY，别用 INSERT**。

DuckDB 的 COPY 是专门为批量数据加载设计的，走的是列式存储的原生路径。INSERT 则是行级操作，每一条都要经过完整的 SQL 解析和执行流程，在 OLAP 场景下天然吃亏。

如果之前跟我一样在用 INSERT 循环灌数据，赶紧换掉。性能差距不是 10%、20%，是几百倍。

## 参考资源

- [DuckDB 官方文档 - COPY](https://duckdb.org/docs/sql/dml/copy)
- [DuckDB CSV 导入指南](https://duckdb.org/docs/data/csv/overview)
- [DuckDB 性能调优](https://duckdb.org/docs/guides/performance/overview)


## 性能基准参考

按这次测试的数据外推一下，给大家一个粗略的参考：

| 数据量 | COPY 耗时 | INSERT 耗时（推算） |
|-------|----------|-----------------|
| 10 万行 | 0.3-0.5 秒 | ~100-165 秒 |
| 100 万行 | 3-5 秒 | ~1000-1650 秒 |
| 1000 万行 | 30-50 秒 | 别想了 |

1000 万行用 INSERT 要几个小时，用 COPY 不到一分钟。选错方式的代价就是这么夸张。

## 总结

这次测试最核心的结论就一句话：**用 COPY，别用 INSERT**。

DuckDB 的 COPY 是专门为批量数据加载设计的，走的是列式存储的原生路径。INSERT 则是行级操作，每一条都要经过完整的 SQL 解析和执行流程，在 OLAP 场景下天然吃亏。

如果之前跟我一样在用 INSERT 循环灌数据，赶紧换掉。性能差距不是 10%、20%，是几百倍。

## 参考资源

- [DuckDB 官方文档 - COPY](https://duckdb.org/docs/sql/dml/copy)
- [DuckDB CSV 导入指南](https://duckdb.org/docs/data/csv/overview)
- [DuckDB 性能调优](https://duckdb.org/docs/guides/performance/overview)