怎么用Java高效讀取大文件

這篇文章主要講解了“怎么用Java高效讀取大文件”，文中的講解內(nèi)容簡(jiǎn)單清晰，易于學(xué)習(xí)與理解，下面請(qǐng)大家跟著小編的思路慢慢深入，一起來研究和學(xué)習(xí)“怎么用Java高效讀取大文件”吧！

內(nèi)存讀取

第一個(gè)版本，阿粉采用內(nèi)存讀取的方式，所有的數(shù)據(jù)首先讀讀取到內(nèi)存中,程序代碼如下：

Stopwatch stopwatch = Stopwatch.createStarted(); // 將全部行數(shù)讀取的內(nèi)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(jì)算內(nèi)存占用 logMemory();

logMemory方法如下:

MemoryMXBean memoryMXBean = ManagementFactory.getMemoryMXBean(); //堆內(nèi)存使用情況 MemoryUsage memoryUsage = memoryMXBean.getHeapMemoryUsage(); //初始的總內(nèi)存 long totalMemorySize = memoryUsage.getInit(); //已使用的內(nèi)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(kù)，F(xiàn)ileUtils#readLines將會(huì)把文件中所有內(nèi)容，全部讀取到內(nèi)存中。

這個(gè)程序簡(jiǎn)單測(cè)試并沒有什么問題，但是等拿到真正的數(shù)據(jù)文件，運(yùn)行程序，很快程序發(fā)生了 OOM。

之所以會(huì)發(fā)生 OOM，主要原因是因?yàn)檫@個(gè)數(shù)據(jù)文件太大。假設(shè)上面測(cè)試文件 test.txt總共有 200W 行數(shù)據(jù)，文件大小為：740MB。

通過上述程序讀取到內(nèi)存之后，在我的電腦上內(nèi)存占用情況如下：

可以看到一個(gè)實(shí)際大小為 700 多 M 的文件，讀到內(nèi)存中占用內(nèi)存量為 1.5G 之多。而我之前的程序，虛擬機(jī)設(shè)置內(nèi)存大小只有 1G，所以程序發(fā)生了  OOM。

當(dāng)然這里最簡(jiǎn)單的辦法就是加內(nèi)存唄，將虛擬機(jī)內(nèi)存設(shè)置到 2G,甚至更多。不過機(jī)器內(nèi)存始終有限，如果文件更大，還是沒有辦法全部都加載到內(nèi)存。

不過仔細(xì)一想真的需要將全部數(shù)據(jù)一次性加載到內(nèi)存中?

很顯然，不需要!

在上述的場(chǎng)景中，我們將數(shù)據(jù)到加載內(nèi)存中，最后不還是一條條處理數(shù)據(jù)。

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(shù)據(jù)。

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(gè)方法  FileUtils#lineIterator可以實(shí)現(xiàn)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(gè)方法返回一個(gè)迭代器，每次我們都可以獲取的一行數(shù)據(jù)。

其實(shí)我們查看代碼，其實(shí)可以發(fā)現(xiàn) FileUtils#lineIterator，其實(shí)用的就是  BufferReader，感興趣的同學(xué)可以自己查看一下源碼。

由于公號(hào)內(nèi)無法插入外鏈，關(guān)注『Java極客技術(shù)』，回復(fù)『20200610』 獲取源碼

Java8 stream

Java8 Files 類新增了一個(gè) lines，可以返回 Stream我們可以逐行處理數(shù)據(jù)。

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(shù)據(jù)             .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(gè)方法有個(gè)好處在于，我們可以方便使用 Stream 鏈?zhǔn)讲僮?，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(jié)束，流可以被安全的關(guān)閉。

并發(fā)讀取

逐行的讀取的方式，解決我們 OOM 的問題。不過如果數(shù)據(jù)很多，我們這樣一行行處理，需要花費(fèi)很多時(shí)間。

上述的方式，只有一個(gè)線程在處理數(shù)據(jù)，那其實(shí)我們可以多來幾個(gè)線程，增加并行度。

下面在上面的基礎(chǔ)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(shù)據(jù)，加載到內(nèi)存中，等到積累一定數(shù)據(jù)之后，然后再交給線程池異步處理。

@SneakyThrows public static void readInApacheIOWithThreadPool() {     // 創(chuàng)建一個(gè) 最大線程數(shù)為 10，隊(duì)列最大數(shù)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(shù)據(jù)     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(shí)候         if (lines.size() == 100000) {             // 拆分成兩個(gè) 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(gè)線程將任務(wù)執(zhí)行結(jié)束之后，再次讀取數(shù)據(jù)。這樣的目的防止，任務(wù)過多，加載的數(shù)據(jù)過多，導(dǎo)致 OOM             for (Future future : futureList) {                 // 等待執(zhí)行結(jié)束                 future.get();             }             // 清除內(nèi)容             lines.clear();         }      }     // lines 若還有剩余，繼續(xù)執(zhí)行結(jié)束     if (!lines.isEmpty()) {         // 繼續(xù)執(zhí)行         processTask(lines);     }   threadPoolExecutor.shutdown(); }     private static void processTask(List<String> strings) {         for (String line : strings) {             // 模擬業(yè)務(wù)執(zhí)行             try {                 TimeUnit.MILLISECONDS.sleep(10L);             } catch (InterruptedException e) {                 e.printStackTrace();             }         }     }

上述方法，等到內(nèi)存的數(shù)據(jù)到達(dá) 10000 的時(shí)候，拆封兩個(gè)任務(wù)交給異步線程執(zhí)行，每個(gè)任務(wù)分別處理 50000 行數(shù)據(jù)。

后續(xù)使用 future#get()，等待異步線程執(zhí)行完成之后，主線程才能繼續(xù)讀取數(shù)據(jù)。

之所以這么做，主要原因是因?yàn)?，線程池的任務(wù)過多，再次導(dǎo)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(gè)大文件拆分成幾個(gè)小文件，然后使用多個(gè)異步線程分別逐行處理數(shù)據(jù)。

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(chuàng)建一個(gè) 最大線程數(shù)為 10，隊(duì)列最大數(shù)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(zhí)行業(yè)務(wù)                     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(wù)執(zhí)行結(jié)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(hào)     int num = 1;     List<File> files = Lists.newArrayList();     while (fileContents.hasNext()) {         String nextLine = fileContents.nextLine();         lines.add(nextLine);         // 每個(gè)文件 10w 行數(shù)據(jù)         if (lines.size() == 100000) {             createSmallFile(lines, num, files);             num++;         }     }     // lines 若還有剩余，繼續(xù)執(zhí)行結(jié)束     if (!lines.isEmpty()) {         // 繼續(xù)執(zhí)行         createSmallFile(lines, num, files);     }     return files; }

上述方法，首先將一個(gè)大文件拆分成多個(gè)保存 10W 行的數(shù)據(jù)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(shù)據(jù)，所以這種方式不用像上面方法一樣擔(dān)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(gè)簡(jiǎn)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(xù) Java 代碼只需要直接讀取小文件即可。

總結(jié)當(dāng)我們從文件讀取數(shù)據(jù)時(shí)，如果文件不是很大，我們可以考慮一次性讀取到內(nèi)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(nèi)存中，所以我們需要考慮逐行讀取，然后處理數(shù)據(jù)。但是單線程處理數(shù)據(jù)畢竟有限，所以我們考慮使用多線程，加快處理數(shù)據(jù)。

感謝各位的閱讀，以上就是“怎么用Java高效讀取大文件”的內(nèi)容了，經(jīng)過本文的學(xué)習(xí)后，相信大家對(duì)怎么用Java高效讀取大文件這一問題有了更深刻的體會(huì)，具體使用情況還需要大家實(shí)踐驗(yàn)證。這里是億速云，小編將為大家推送更多相關(guān)知識(shí)點(diǎn)的文章，歡迎關(guān)注！