高效讀取大文件，再也不用擔心 OOM 了！
最近阿粉接到一個需求，需要從文件讀取數據，然后經過業務處理之后存儲到數據庫中。這個需求，說實話不是很難，阿粉很快完成了第一個版本。
內存讀取
第一個版本，阿粉采用內存讀取的方式，所有的數據首先讀讀取到內存中,程序代碼如下：
- Stopwatch stopwatch = Stopwatch.createStarted();
- // 將全部行數讀取的內存中
- List<String> lines = FileUtils.readLines(new File("temp/test.txt"), Charset.defaultCharset());
- for (String line : lines) {
- // pass
- }
- stopwatch.stop();
- System.out.println("read all lines spend " + stopwatch.elapsed(TimeUnit.SECONDS) + " s");
- // 計算內存占用
- logMemory();
logMemory方法如下:
- MemoryMXBean memoryMXBean = ManagementFactory.getMemoryMXBean();
- //堆內存使用情況
- MemoryUsage memoryUsage = memoryMXBean.getHeapMemoryUsage();
- //初始的總內存
- long totalMemorySize = memoryUsage.getInit();
- //已使用的內存
- long usedMemorySize = memoryUsage.getUsed();
- System.out.println("Total Memory: " + totalMemorySize / (1024 * 1024) + " Mb");
- System.out.println("Free Memory: " + usedMemorySize / (1024 * 1024) + " Mb");
上述程序中，阿粉使用 Apache Common-Io 開源第三方庫，FileUtils#readLines將會把文件中所有內容，全部讀取到內存中。
這個程序簡單測試并沒有什么問題，但是等拿到真正的數據文件，運行程序，很快程序發生了 OOM。
之所以會發生 OOM，主要原因是因為這個數據文件太大。假設上面測試文件 test.txt總共有 200W 行數據，文件大小為：740MB。
通過上述程序讀取到內存之后，在我的電腦上內存占用情況如下：
可以看到一個實際大小為 700 多 M 的文件，讀到內存中占用內存量為 1.5G 之多。而我之前的程序，虛擬機設置內存大小只有 1G，所以程序發生了 OOM。
當然這里最簡單的辦法就是加內存唄，將虛擬機內存設置到 2G,甚至更多。不過機器內存始終有限，如果文件更大，還是沒有辦法全部都加載到內存。
不過仔細一想真的需要將全部數據一次性加載到內存中?
很顯然，不需要!
在上述的場景中，我們將數據到加載內存中，最后不還是一條條處理數據。
所以下面我們將讀取方式修改成逐行讀取。
逐行讀取
逐行讀取的方式比較多，這里阿粉主要介紹兩種方式：
- BufferReader
- Apache Commons IO
- Java8 stream
BufferReader
我們可以使用 BufferReader#readLine 逐行讀取數據。
- try (BufferedReader fileBufferReader = new BufferedReader(new FileReader("temp/test.txt"))) {
- String fileLineContent;
- while ((fileLineContent = fileBufferReader.readLine()) != null) {
- // process the line.
- }
- } catch (FileNotFoundException e) {
- e.printStackTrace();
- } catch (IOException e) {
- e.printStackTrace();
- }
Apache Commons IOCommon-IO
中有一個方法 FileUtils#lineIterator可以實現逐行讀取方式,使用代碼如下：
- Stopwatch stopwatch = Stopwatch.createStarted();
- LineIterator fileContents = FileUtils.lineIterator(new File("temp/test.txt"), StandardCharsets.UTF_8.name());
- while (fileContents.hasNext()) {
- fileContents.nextLine();
- // pass
- }
- logMemory();
- fileContents.close();
- stopwatch.stop();
- System.out.println("read all lines spend " + stopwatch.elapsed(TimeUnit.SECONDS) + " s");
這個方法返回一個迭代器，每次我們都可以獲取的一行數據。
其實我們查看代碼，其實可以發現 FileUtils#lineIterator，其實用的就是 BufferReader，感興趣的同學可以自己查看一下源碼。
由于公號內無法插入外鏈，關注『Java極客技術』，回復『20200610』 獲取源碼
Java8 stream
Java8 Files 類新增了一個 lines，可以返回 Stream我們可以逐行處理數據。
- Stopwatch stopwatch = Stopwatch.createStarted();
- // lines(Path path, Charset cs)
- try (Stream<String> inputStream = Files.lines(Paths.get("temp/test.txt"), StandardCharsets.UTF_8)) {
- inputStream
- .filter(str -> str.length() > 5)// 過濾數據
- .forEach(o -> {
- // pass do sample logic
- });
- }
- logMemory();
- stopwatch.stop();
- System.out.println("read all lines spend " + stopwatch.elapsed(TimeUnit.SECONDS) + " s");
使用這個方法有個好處在于，我們可以方便使用 Stream 鏈式操作，做一些過濾操作。
注意：這里我們使用 try-with-resources 方式，可以安全的確保讀取結束，流可以被安全的關閉。
并發讀取
逐行的讀取的方式，解決我們 OOM 的問題。不過如果數據很多，我們這樣一行行處理，需要花費很多時間。
上述的方式，只有一個線程在處理數據，那其實我們可以多來幾個線程，增加并行度。
下面在上面的基礎上，阿粉就拋磚引玉，介紹下阿粉自己比較常用兩種并行處理方式。
逐行批次打包
第一種方式，先逐行讀取數據，加載到內存中，等到積累一定數據之后，然后再交給線程池異步處理。
- @SneakyThrows
- public static void readInApacheIOWithThreadPool() {
- // 創建一個 最大線程數為 10，隊列最大數為 100 的線程池
- ThreadPoolExecutor threadPoolExecutor = new ThreadPoolExecutor(10, 10, 60l, TimeUnit.SECONDS, new LinkedBlockingDeque<>(100));
- // 使用 Apache 的方式逐行讀取數據
- LineIterator fileContents = FileUtils.lineIterator(new File("temp/test.txt"), StandardCharsets.UTF_8.name());
- List<String> lines = Lists.newArrayList();
- while (fileContents.hasNext()) {
- String nextLine = fileContents.nextLine();
- lines.add(nextLine);
- // 讀取到十萬的時候
- if (lines.size() == 100000) {
- // 拆分成兩個 50000 ，交給異步線程處理
- List<List<String>> partition = Lists.partition(lines, 50000);
- List<Future> futureList = Lists.newArrayList();
- for (List<String> strings : partition) {
- Future<?> future = threadPoolExecutor.submit(() -> {
- processTask(strings);
- });
- futureList.add(future);
- }
- // 等待兩個線程將任務執行結束之后，再次讀取數據。這樣的目的防止，任務過多，加載的數據過多，導致 OOM
- for (Future future : futureList) {
- // 等待執行結束
- future.get();
- }
- // 清除內容
- lines.clear();
- }
- }
- // lines 若還有剩余，繼續執行結束
- if (!lines.isEmpty()) {
- // 繼續執行
- processTask(lines);
- }
- threadPoolExecutor.shutdown();
- }
- private static void processTask(List<String> strings) {
- for (String line : strings) {
- // 模擬業務執行
- try {
- TimeUnit.MILLISECONDS.sleep(10L);
- } catch (InterruptedException e) {
- e.printStackTrace();
- }
- }
- }
上述方法，等到內存的數據到達 10000 的時候，拆封兩個任務交給異步線程執行，每個任務分別處理 50000 行數據。
后續使用 future#get()，等待異步線程執行完成之后，主線程才能繼續讀取數據。
之所以這么做，主要原因是因為，線程池的任務過多，再次導致 OOM 的問題。
大文件拆分成小文件第二種方式，首先我們將一個大文件拆分成幾個小文件，然后使用多個異步線程分別逐行處理數據。
- public static void splitFileAndRead() throws Exception {
- // 先將大文件拆分成小文件
- List<File> fileList = splitLargeFile("temp/test.txt");
- // 創建一個 最大線程數為 10，隊列最大數為 100 的線程池
- ThreadPoolExecutor threadPoolExecutor = new ThreadPoolExecutor(10, 10, 60l, TimeUnit.SECONDS, new LinkedBlockingDeque<>(100));
- List<Future> futureList = Lists.newArrayList();
- for (File file : fileList) {
- Future<?> future = threadPoolExecutor.submit(() -> {
- try (Stream inputStream = Files.lines(file.toPath(), StandardCharsets.UTF_8)) {
- inputStream.forEach(o -> {
- // 模擬執行業務
- try {
- TimeUnit.MILLISECONDS.sleep(10L);
- } catch (InterruptedException e) {
- e.printStackTrace();
- }
- });
- } catch (IOException e) {
- e.printStackTrace();
- }
- });
- futureList.add(future);
- }
- for (Future future : futureList) {
- // 等待所有任務執行結束
- future.get();
- }
- threadPoolExecutor.shutdown();
- }
- private static List<File> splitLargeFile(String largeFileName) throws IOException {
- LineIterator fileContents = FileUtils.lineIterator(new File(largeFileName), StandardCharsets.UTF_8.name());
- List<String> lines = Lists.newArrayList();
- // 文件序號
- int num = 1;
- List<File> files = Lists.newArrayList();
- while (fileContents.hasNext()) {
- String nextLine = fileContents.nextLine();
- lines.add(nextLine);
- // 每個文件 10w 行數據
- if (lines.size() == 100000) {
- createSmallFile(lines, num, files);
- num++;
- }
- }
- // lines 若還有剩余，繼續執行結束
- if (!lines.isEmpty()) {
- // 繼續執行
- createSmallFile(lines, num, files);
- }
- return files;
- }
上述方法，首先將一個大文件拆分成多個保存 10W 行的數據的小文件，然后再將小文件交給線程池異步處理。
由于這里的異步線程每次都是逐行從小文件的讀取數據，所以這種方式不用像上面方法一樣擔心 OOM 的問題。
另外，上述我們使用 Java 代碼，將大文件拆分成小文件。這里阿粉還有一個簡單的辦法，我們可以直接使用下述命令，直接將大文件拆分成小文件：
- # 將大文件拆分成 100000 的小文件
- split -l 100000 test.txt
后續 Java 代碼只需要直接讀取小文件即可。
總結當我們從文件讀取數據時，如果文件不是很大，我們可以考慮一次性讀取到內存中，然后快速處理。
如果文件過大，我們就沒辦法一次性加載到內存中，所以我們需要考慮逐行讀取，然后處理數據。但是單線程處理數據畢竟有限，所以我們考慮使用多線程，加快處理數據。
本篇文章我們只是簡單介紹了下，數據從文件讀取幾種方式。數據讀取之后，我們肯定還需要處理，然后最后會存儲到數據庫中或者輸出到另一個文件中。
這個過程，說實話比較麻煩，因為我們的數據源文件，可能是 txt，也可能是 excel，這樣我們就需要增加多種讀取方法。同樣的，當數據處理完成之后，也有同樣的問題。
不過好在，上述的問題我們可以使用 Spring Batch 完美解決。
