通联历史数据如何自动化导入 DolphinDB

在部署完 DolphinDB 后，需要将历史数据批量导入数据库，再进行数据查询、计算和分析等操作。为便于用户快速导入通联历史 Level-2 行情数据，DolphinDB 开发了 DolphinDBModules::easyTLDataImport 模块（简称 easyTLDataImport 模块），主要用于通联历史 Level-2 行情数据的自动化导入，目前已支持的数据源包括：

• 沪深 Level-2 快照行情
• 沪深逐笔委托
• 沪深逐笔成交

注意：本教程代码基于 DolphinDB 2.00.9.4 开发，建议用户使用 2.00.9.4 及以上版本进行功能测试。

1. 历史数据文件结构

在使用本教程功能模块时，需要用户自行将通联数据解压，并确保在主目录下创建了以日期命名的日期目录，每个日期目录下包含所有该日期的 csv 文件。

例如，主目录是 level2，则文件结构可以设置如下：

|—— level2

|      |—— 20211201

|      |      |—— xxx.csv

|      |      |—— …

|      |—— 20211202

|      |      |—— xxx.csv

|      |      |—— …

|      |—— …

数据也可以按年组织，则文件结构如下

|—— level2

|      |—— 2021

|      |      |—— 20211201

|      |      |      |—— xxx.csv

|      |      |      |—— …

|      |      |—— …

|      |—— 2022

|      |      |—— 20221201

|      |      |      |—— xxx.csv

|      |      |      |—— …

|      |      |—— …

|      |—— …

注意：日期这一层目录之前的文件结构和日期目录下的文件结构都没有要求。

2. 行情数据存储模型设计

通联数据提供了上交所和深交所两个交易所的数据。用户使用 easyTLDataImport 模块时可以选择将两个交易所的数据分开存储为两张表，或合并存为一张表。如果选择存为一张表，则表中的字段是两个交易所数据字段的并集，并新增字段 Market 用于标识数据来自哪个交易所。

上交所和深交所两个交易所数据的结构不同，且不同时期同一个交易所的数据结构也不同。根据《沪深 L2 高频行情文件说明》，我们整理了通联提供的两个交易所各个时期的数据结构，最终确定以下述的表结构将数据存入数据库。

2.1 Level-2 快照数据

• 深交所数据（总共 37 列）

• 上交所数据（总共 52 列）

• 沪深数据合并（总共 62 列）

2.2 逐笔委托数据

• 深交所数据（总共 12 列）

• 上交所数据（总共 13 列）

• 沪深数据合并（总共 16 列）

2.3 逐笔成交数据

• 深交所数据（总共 14 列）

• 上交所数据（总共 14 列）

• 沪深数据合并（总共 19 列）

2.4 去重方案

• 为避免重复提交任务或重复导入数据每次导入前，应将库内已有的对应日期的数据删除
• 为避免当天数据中存在重复，将当天市场所有数据（一个大 csv）读入内存，使用 isDuplicated([...], LAST) 函数进行去重后再导入数据库

3. 模块介绍

easyTLDataImport 模块主要包含数据表结构、数据库和分区表创建和数据导入三部分。

3.1 数据表结构

tbSchema 文件夹下的模块是根据本文第二章节中的合并规则整理的数据结构。该文件夹包含以 CsvSchema.dos 和 CsvSchema.dos 结尾的两种模块文件，作用如下：

• CsvSchema.dos 用于指定 DolphinDB 读取 csv 文件时的数据格式
• Schema.dos 用于指定数据存入数据库的数据格式

3.2 数据库和分区表创建

数据库和分区表创建包括两个模块文件：createDB.dos 和 createTB.dos。

• createDB.dos 用于创建存储通联数据的数据库
• createTB.dos 用于创建存储通联数据的分布式表

基于客户的实践经验，确定了如下的分区方案：

3.3 数据导入

数据导入部分包含 loadOneDayData 文件夹和 loadTLData.dos，作用如下：

• loadOneDayData 包含了 loadOneDaySnapshot.dos 、loadOneDayEntrust.dos、loadOneDayTrade.dos 三个模块文件，分别用于导入通联一天的行情快照、逐笔委托和逐笔成交数据。
• loadTLData.dos 用于导入指定目录下的所有通联数据，是对前面所有模块的整合。在应用层面，用户只需要了解该模块中的主要函数即可。

下面列出 loadTLData.dos 模块中的主要函数。

3.3.1 autoLoadTongLianData

语法

autoLoadTongLianData(fileDir, dataSource, dbName="dfs://TL_Level2", tableName=NULL, market="ALL", startDate=NULL, endDate=NULL, parallel=1, initialDB=false, initialTB=false)

参数

• fileDir 指定的存放数据的路径，该目录下必须有一层目录是形如 “20221201” 的日期。
• dataSource 数据源，只能 “TLSnapshot”, “TLEntrsut“, “TLTrade“ 三选一
• dbName 数据库名称，默认 ”dfs://TL_Level2“
• tableName 分布式表名称，如果用户没有额外指定表名，则默认表名 “snapshot“, “entrust“, “trade“
• market 交易所，目前只能 “ALL“, ”SZ“, ”SH“ 三选一。当 market=”ALL” 时，会将沪深的数据全部导入一张名为 tableName 的分布式表；否则，会以分开存储的形式创建名为 tableName+market 的一张分布表（比如 ”snapshotSZ“）并只导入 market 一个交易所的数据。
• startDate 字符串，导入数据的起始日期，比如 “20220101”(包括这一天)。若 startDate=NULL，则对起始日期不做判断。
• endDate 字符串，导入数据的结束日期，比如 “20221231”(包括这一天)。若 endDate=NULL，则对结束日期不做判断。
• parallel 并行度，控制后台提交的任务数目
• initialDB 一个布尔值，是否需要初始化数据库。如果已经存在名为 dbName 的数据库，当 initialDB=true 时，会删除原来的数据库并重新创建；否则会保留原来的数据库并输出 "[dbName] 数据库已经存在" 的提示
• initialTB 一个布尔值，是否需要初始化分布式表。如果在 dbName 数据库下已经存在名为 tbName 的表，当 initialTB=true 时，会删除原来的表并重新创建；否则会保留原来的表并输出 "数据库 [dbName] 已经存在表 [tbName]" 的提示。

详情

将 fileDir 路径下从 startDate 到 endDate 日期的 dataSource 数据导入 dbName 数据库中的 tableName 表里

3.3.2 getJobStatus

语法

getJobStatus(jobid)

参数

jobid 后台任务描述

详情

查询后台任务中任务描述为 jobid 的任务状态

3.3.3 getJobDetails

语法

getJobDetails(jobid)

参数

jobid 后台任务描述

详情

输出后台任务中任务描述为 jobid 的中间信息

4. 异常处理

对于导入过程中可能出现的问题，会在日志中输出对应的报错提示信息。

5. 使用示例

• 第一步：用户按照第 1 章文件结构中的要求解压并准备好数据。假设数据放在 /hdd/hdd1/factorCalDev/server/TLData/ 目录下，文件结构如下图：

• 第二步：将模块同步到 DolphinDB 的 sever/modules 的目录下。

• 第三步：载入模块和导入数据方法如下：

use DolphinDBModules::easyTLDataImport::loadTLData

// 登陆账户
login("admin", "123456")

// 设置文件目录
fileDir = "/hdd/hdd1/factorCalDev/server/TLData/"

/** 沪深合并*/
// 导入快照数据，单线程
jobid1 = autoLoadTongLianData(fileDir=fileDir, dataSource="TLSnapshot", parallel=1)
getJobStatus(jobid1)   // 查看任务状态

// 导入逐笔委托，3 并发
jobid2 = autoLoadTongLianData(fileDir=fileDir, dataSource="TLEntrust", parallel=3)
getJobStatus(jobid2)   // 查看任务状态

// 导入逐笔成交，3 并发
jobid3 = autoLoadTongLianData(fileDir=fileDir, dataSource="TLTrade", parallel=3)
getJobStatus(jobid3)   // 查看任务状态

• 第四步：查询任务状态。

（1）使用 getJobStatus(jobid) 可以查询任务状态，当 endTime 有值的时候表示任务结束。例如：

getJobStatus(jobid3)

（2）使用 getJobDetails(jobid) 可以查询任务的中间信息。例如：

getJobDetails(jobid3)

（3）可以通过查询日志内容，查看任务执行结果。例如：

cat dolphindb.log | grep message

• 第五步：查询数据。

（1）快照数据

select * from loadTable("dfs://TL_Level2", "snapshot") limit 10

（2）逐笔委托

select * from loadTable("dfs://TL_Level2", "entrust") limit 10

（3）逐笔成交

select * from loadTable("dfs://TL_Level2", "trade") limit 10

6. 注意事项

6.1 数据文件路径 fileDir 的设置

在模块中数据文件查找的方法如下：

• 从 fileDir 目录下递归查找所有由 8 位数字组成的文件夹（即形如 “20221201” 的日期）。
• 再将找到的所有日期和 startDate、endDate 进行字符串比较，从而达到导入数据日期筛选的目的。
• 最后在每个日期文件夹下，递归查找所有以 csv 结尾的文件，从而获取该日期下的所有 csv 文件的绝对路径。

因为第一步是查找所有 8 位数字组成的文件夹，所以 autoLoadTongLianDataTest 函数的 fileDir 的路径下必须有一层目录是以形如 “20221201” 的日期命名。

所以如果用户想要导入一天的数据，需要通过 startDate、endDate 参数控制导入日期，而不是通过 fileDir 参数。

以上一章第五步图中的文件结构为例，假设只导入 2021.12.01 这一天的数据。不能如此设置导入日期：fileDir = "/hdd/hdd1/factorCalDev/server/TLData/2021/20211201"。否则会因为该目录下只有 csv 而找不到日期文件夹。

正确用法如下：

// 沪深分开存储：上交所, 导入快照数据，单线程，导入20211201 一天的数据
fileDir = "/hdd/hdd1/factorCalDev/server/TLData/"     // 或者 fileDir = "/hdd/hdd1/factorCalDev/server/TLData/2021/"
jobid1 = autoLoadTongLianData(fileDir=fileDir, dataSource="TLSnapshot", dbName="dfs://TL_SH_Level2", market="SH", startDate="20211201", endDate="20211201")
getJobStatus(jobid1)   // 查看任务状态

6.2 最低资源配置（并行度 parallel 的设置）

6.2.1 快照行情导入资源使用情况

通联数据的快照行情数据和最优买卖盘前 50 笔委托数据是两个分开的 csv 文件。为将二者结合，所以先将快照行情数据和最优买卖盘前 50 笔委托数据进行左连接后，再进行入库。

以沪深合并存储的方式导入深交所一天的快照数据为例，具体实现方案如下：

（1）将一天的单市场的快照行情数据和最优买卖盘前 50 笔委托数据的 csv 文件全部读入 DolphinDB 数据库中。此步骤中：

• 2023.02.16 的深交所快照数据 mdl_6_28_0.csv 共有 13,608,508 行 89 列，读入后占用内存约 7.1 GB；
• 最优卖价前 50 笔委托数据 mdl_6_28_1.csv 共有 13,608,508 行 62 列，读入后占用内存约 3.5 GB；
• 最优买价前 50 笔委托数据 mdl_6_28_2.csv 共有 13,611,993 行 62 列，读入后占用内存约 3.5 GB。

（2）将数据处理成沪深合并的表结构，包括将 10 档量价数据和 50 档委托数据合并组成 array vector，并将上交所有的字段但深交所没有的字段用空值 NULL 填充。此步骤中：

• array vector + 填充 NULL 值后的快照表总共 13,608,508 行 60 列，占用内存约 8.7 GB；
• 最优卖价前 50 笔委托总共 13,608,508 行 4 列，读入后占用内存约 2.8 GB；
• 最优买价前 50 笔委托总共 13,611,993 行 4 列，占用内存约 2.8 GB）

（3）根据 TradeTime / SecurityID / ImageStatus 三个字段对数据进行去重。此步骤中：

• 去重后的快照表总共 13,608,508 行 60 列，占用内存约 8.7 GB；
• 最优卖价前 50 笔委托总共 13,608,508 行 4 列，读入后占用内存约 2.8 GB；
• 最优卖价前 50 笔委托总共 13,611,993 行 4 列，占用内存约 2.8 GB）

（4）根据 TradeTime / SecurityID / ImageStatus 三个字段将买卖的 50 档数据进行左连接。此步骤中：

• 连接后的买卖 50 档委托表总共 13,608,508 行 5 列，占用内存约 5.4 GB。
• 将数据根据股票代码 SecurityID 的哈希值分成 50 份，每一份分别和最优买卖盘前 50 笔委托数据进行左连接，将连接后的数据直接加入数据库。该任务通过 ploop 实现并发执行。此步骤中：
  • 根据 hashBucket(SecurityID, 50) 算出哈希值，在快照数据中取出对应哈希值的数据。比如哈希值为 40 的快照数据共 343,461 行 60 列，占用内存约 225 MB；
  • 最优买卖盘前 50 笔委托数据共 343,461 行 5 列，占用内存约 144 MB；
  • 左连接后结果表共 343,461 行 62 列，占用内存约 364 MB，直接向库内 append 这部分数据）

（5）深交所和上交所串行导入，先完成深交所一天数据的导入，再按上述流程导入上交所一天的快照数据。

注意：因为快照数据的导入需要读入整个 csv，再内存里并发进行 join 和写入操作，所以内存消耗较高。

经测试，单并发导入快照数据占用内存资源约：53 GB

6.2.2 逐笔委托导入资源使用情况

为了实现数据去重的目的，会将一个市场一天的逐笔委托数据全部读入内存，进行去重后，再进行入库。

以沪深合并存储的方式导入深交所一天的逐笔委托为例，具体实现方案如下：

（1）将一天的单市场的逐笔委托的 csv 文件全部读入 DolphinDB 数据库中。此步骤中：

• 2023.02.16 的深交所逐笔委托数据 mdl_6_33_0.csv 共有 99,798,969 行 12 列，读入后占用内存约 5.7 GB。

（2）将逐笔成交数据处理成沪深合并的表结构，包括将上交所有的字段但深交所没有的字段用空值 NULL 填充和根据 ChannelNo , ApplSeqNum 两个字段进行去重。此步骤中：

• 填充 NULL 值 + 去重后的逐笔委托表总共 99,798,969 行 16 列，占用内存约 13.1 GB。

（3）将处理完的深交所逐笔委托数据导入数据库。

• 深交所和上交所串行导入，先导完一天深交所，再按上述流程导入一天上交所快照数据。

模块中的数据库采用 TSDB 存储引擎，其写入策略是：

• 数据先写入 Cache Engine，在 Cache Engine 内进行分区。
• 按照 sortColumns 进行排序。
• 当写入的数据达到 TSDBCacheEngineSize 时，进行刷盘。此时：
  • 若有数据继续写入，系统会再分配一块内存来接收新数据；
  • 若不满足该条件， 超过十分钟会强制刷盘。

所以使用 TSDB 引擎导入大量数据的时候，使用 LevelFileIndexCache，TSDBCacheEngine，异步排序，后台的 flush 等环节都会造成内存使用的增加。

注意：为了能够按照 ChannelNo , ApplSeqNum 这两个字段对数据进行去重，需要读入整个 csv 读入内存，使用 TSDB 引擎持续导入大量数据。所以导入时内存消耗较高。

经测试，单并发导入逐笔委托数据占用内存资源约：55 GB

6.2.3 逐笔成交导入资源使用情况

为了实现数据去重的目的，会将一个市场一天的逐笔成交数据全部读入内存，进行去重后，再进行入库。

以沪深合并存储的方式导入深交所一天的逐笔成交为例，具体实现方案如下：

（1）将一天的单市场的逐笔成交的 csv 文件全部读入 DolphinDB 数据库中。此步骤中：

• 2023.02.16 的深交所逐笔成交数据 mdl_6_36_0.csv 共有 91,230,221 行 13 列，读入后占用内存约 6.4 GB。

（2）将逐笔成交数据处理成沪深合并的表结构，包括将上交所有的字段但深交所没有的字段用空值 NULL 填充和根据 ChannelNo , ApplSeqNum 两个字段进行去重。此步骤中：

• 填充 NULL 值 + 去重后的逐笔委托表总共 91,230,221 行 19 列，占用内存约 15.7 GB。

（3）将处理完的深交所逐笔委托数据导入数据库。

• 深交所和上交所串行导入，先导完一天深交所，再按上述流程导入一天上交所快照数据。

注意：为了能够按照 ChannelNo , ApplSeqNum 这两个字段对数据进行去重，需要读入整个 csv 读入内存，使用 TSDB 引擎持续导入大量数据。所以导入时内存消耗较高。

经测试，单并发导入逐笔成交数据占用内存资源约：58 GB

综上，控制并发的参数 parallel 需要根据实际的内存情况设置。**建议配置 maxMemSize 至少为 64 GB，**这超过了社区版 License 内存的限制，可以前往 DolphinDB 官网申请企业版试用授权许可。

7. 性能测试

7.1 测试环境

单节点 8 核 256 GB 的环境来测试导入性能，环境配置资源如下：

7.2 性能结果

只测试了通联数据沪深合并存储的导入性能：

7.3 吞吐量提升建议

如需提高数据导入的吞吐量，可参考以下优化策略：

（1）通过设置参数 parallel，增加后台导入任务的数据，提高导入的并行度。注意环境内存资源的使用。

（2）使用读写性能更好的硬盘。

附录

DolphinDBModules.zip文章来源地址https://www.toymoban.com/news/detail-508347.html

到了这里，关于通联历史数据如何自动化导入 DolphinDB的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！