高級Java研發(fā)人員在解決大數(shù)據(jù)問題上的技巧

眾所周知， Java 在處理數(shù)據(jù)量比較大的時候，加載到內(nèi)存必然會導(dǎo)致內(nèi)存溢出，而在一些數(shù)據(jù)處理中我們不得不去處理海量數(shù)據(jù)，在做數(shù)據(jù)處理中，我們常見的手段是分解，壓縮，并行，臨時文件等方法;

cdn.xitu.io/2018/7/23/164c5afdf20d4a8c?imageView2/0/w/1280/h/960/format/webp/ignore-error/1">

例如，我們要將 數(shù)據(jù)庫 (不論是什么數(shù)據(jù)庫)的數(shù)據(jù)導(dǎo)出到一個文件，一般是Excel或文本格式的CSV;對于Excel來講，對于POI和JXL的接口，你很多時候沒有辦法去控制內(nèi)存什么時候向磁盤寫入，很惡心，而且這些API在內(nèi)存構(gòu)造的對象大小將比數(shù)據(jù)原有的大小要大很多倍數(shù)，所以你不得不去拆分Excel，還好，POI開始意識到這個問題，在3.8.4的版本后，開始提供cache的行數(shù)，提供了SXSSFWorkbook的接口，可以設(shè)置在內(nèi)存中的行數(shù)，不過可惜的是，他當你超過這個行數(shù)，每添加一行，它就將相對行數(shù)前面的一行寫入磁盤(如你設(shè)置2000行的話，當你寫第20001行的時候，他會將第一行寫入磁盤)，其實這個時候他些的臨時文件，以至于不消耗內(nèi)存，不過這樣你會發(fā)現(xiàn)，刷磁盤的頻率會非常高，我們的確不想這樣，因為我們想讓他達到一個范圍一次性將數(shù)據(jù)刷如磁盤，比如一次刷1M之類的做法，可惜現(xiàn)在還沒有這種API，很痛苦，我自己做過測試，通過寫小的Excel比使用目前提供刷磁盤的API來寫大文件，效率要高一些，而且這樣如果訪問的人稍微多一些磁盤IO可能會扛不住，因為IO資源是非常有限的，所以還是拆文件才是上策;而當我們寫CSV，也就是文本類型的文件，我們很多時候是可以自己控制的，不過你不要用CSV自己提供的API，也是不太可控的，CSV本身就是文本文件，你按照文本格式寫入即可被CSV識別出來;如何寫入呢?下面來說說。。。

在處理數(shù)據(jù)層面，如從數(shù)據(jù)庫中讀取數(shù)據(jù)，生成本地文件，寫代碼為了方便，我們未必要1M怎么來處理，這個交給底層的驅(qū)動程序去拆分，對于我們的程序來講我們認為它是連續(xù)寫即可;我們比如想將一個1000W數(shù)據(jù)的數(shù)據(jù)庫表，導(dǎo)出到文件;此時，你要么進行分頁，oracle當然用三層包裝即可， MySQL 用limit，不過分頁每次都會新的查詢，而且隨著翻頁，會越來越慢，其實我們想拿到一個句柄，然后向下游動，編譯一部分數(shù)據(jù)(如10000行)將寫文件一次(寫文件細節(jié)不多說了，這個是最基本的)，需要注意的時候每次buffer的數(shù)據(jù)，在用outputstream寫入的時候，最好flush一下，將緩沖區(qū)清空下;接下來， 執(zhí)行一個沒有where條件的SQL，會不會將內(nèi)存撐爆 ?是的，這個問題我們值得去思考下，通過API發(fā)現(xiàn)可以對SQL進行一些操作，例如，通過：PreparedStatement statement = connection.prepareStatement(sql)，這是默認得到的預(yù)編譯，還可以通過設(shè)置：PreparedStatement statement = connection.prepareStatement(sql , ResultSet.TYPE_FORWARD_ONLY , ResultSet.CONCUR_READ_ONLY);

來設(shè)置游標的方式，以至于游標不是將數(shù)據(jù)直接cache到本地內(nèi)存，然后通過設(shè)置statement.setFetchSize(200);設(shè)置游標每次遍歷的大小;OK，這個其實我用過，oracle用了和沒用沒區(qū)別，因為oracle的jdbc API默認就是不會將數(shù)據(jù)cache到j(luò)ava的內(nèi)存中的，而mysql里頭設(shè)置根本無效， 我上面說了一堆廢話，呵呵 ，我只是想說，java提供的標準API也未必有效，很多時候要看廠商的實現(xiàn)機制，還有這個設(shè)置是很多網(wǎng)上說有效的，但是這純屬抄襲;對于oracle上面說了不用關(guān)心，他本身就不是cache到內(nèi)存，所以java內(nèi)存不會導(dǎo)致什么問題，如果是mysql，首先必須使用5以上的版本，然后在連接參數(shù)上加上useCursorFetch=true這個參數(shù)，至于游標大小可以通過連接參數(shù)上加上：defaultFetchSize=1000來設(shè)置，例如：

jdbc:mysql://xxx.xxx.xxx.xxx:3306/abc?zeroDateTimeBehavior=convertToNull&useCursorFetch=true&defaultFetchSize=1000

上次被這個問題糾結(jié)了很久(mysql的數(shù)據(jù)老導(dǎo)致程序內(nèi)存膨脹，并行2個直接系統(tǒng)就宕了)，還去看了很多源碼才發(fā)現(xiàn)奇跡竟然在這里，最后經(jīng)過mysql文檔的確認，然后進行測試，并行多個，而且數(shù)據(jù)量都是500W以上的，都不會導(dǎo)致內(nèi)存膨脹，GC一切正常，這個問題終于完結(jié)了。

看完以上內(nèi)容大家應(yīng)該累了吧，這里小編把自己的大數(shù)據(jù)學(xué)習qun531629188推薦給大家無論是大牛還是想轉(zhuǎn)行想學(xué)習的大學(xué)生

小編我都挺歡迎，晚上20:10都有一節(jié)【免費的】大數(shù)據(jù)直播課程，專注大數(shù)據(jù)分析方法,大數(shù)據(jù)編程，大數(shù)據(jù)倉庫，大數(shù)據(jù)案例，人工智能,數(shù)據(jù)挖掘都是純干貨分享，

我們再聊聊其他的，數(shù)據(jù)拆分和合并，當數(shù)據(jù)文件多的時候我們想合并，當文件太大想要拆分，合并和拆分的過程也會遇到類似的問題，還好，這個在我們可控制的范圍內(nèi)，如果文件中的數(shù)據(jù)最終是可以組織的，那么在拆分和合并的時候，此時就不要按照數(shù)據(jù)邏輯行數(shù)來做了，因為行數(shù)最終你需要解釋數(shù)據(jù)本身來判定，但是只是做拆分是沒有必要的，你需要的是做二進制處理，在這個二進制處理過程，你要注意了，和平時read文件不要使用一樣的方式，平時大多對一個文件讀取只是用一次read操作，如果對于大文件內(nèi)存肯定直接掛掉了，不用多說，你此時因該每次讀取一個可控范圍的數(shù)據(jù)，read方法提供了重載的offset和length的范圍，這個在循環(huán)過程中自己可以計算出來，寫入大文件和上面一樣，不要讀取到一定程序就要通過寫入流flush到磁盤;其實對于小數(shù)據(jù)量的處理在現(xiàn)代的NIO技術(shù)的中也有用到，例如多個終端同時請求一個大文件下載，例如視頻下載吧，在常規(guī)的情況下，如果用java的容器來處理，一般會發(fā)生兩種情況：

其一為內(nèi)存溢出，因為每個請求都要加載一個文件大小的內(nèi)存甚至于更多，因為java包裝的時候會產(chǎn)生很多其他的內(nèi)存開銷，如果使用二進制會產(chǎn)生得少一些，而且在經(jīng)過輸入輸出流的過程中還會經(jīng)歷幾次內(nèi)存拷貝，當然如果有你類似nginx之類的中間件，那么你可以通過send_file模式發(fā)送出去，但是如果你要用程序來處理的時候，內(nèi)存除非你足夠大，但是java內(nèi)存再大也會有GC的時候，如果你內(nèi)存真的很大，GC的時候死定了，當然這個地方也可以考慮自己通過直接內(nèi)存的調(diào)用和釋放來實現(xiàn)，不過要求剩余的物理內(nèi)存也足夠大才行，那么足夠大是多大呢?這個不好說，要看文件本身的大小和訪問的頻率;

其二為假如內(nèi)存足夠大，無限制大，那么此時的限制就是線程，傳統(tǒng)的IO模型是線程是一個請求一個線程，這個線程從主線程從線程池中分配后，就開始工作，經(jīng)過你的Context包裝、Filter、攔截器、業(yè)務(wù)代碼各個層次和業(yè)務(wù)邏輯、訪問數(shù)據(jù)庫、訪問文件、渲染結(jié)果等等，其實整個過程線程都是被掛住的，所以這部分資源非常有限，而且如果是大文件操作是屬于IO密集型的操作，大量的CPU時間是空余的，方法最直接當然是增加線程數(shù)來控制，當然內(nèi)存足夠大也有足夠的空間來申請線程池，不過一般來講一個進程的線程池一般會受到限制也不建議太多的，而在有限的系統(tǒng)資源下，要提高性能，我們開始有了new IO技術(shù)，也就是NIO技術(shù)，新版的里面又有了AIO技術(shù)，NIO只能算是異步IO，但是在中間讀寫過程仍然是阻塞的(也就是在真正的讀寫過程，但是不會去關(guān)心中途的響應(yīng))，還未做到真正的異步IO，在監(jiān)聽connect的時候他是不需要很多線程參與的，有單獨的線程去處理，連接也又傳統(tǒng)的socket變成了selector，對于不需要進行數(shù)據(jù)處理的是無需分配線程處理的;而AIO通過了一種所謂的回調(diào)注冊來完成，當然還需要OS的支持，當會掉的時候會去分配線程，目前還不是很成熟，性能最多和NIO吃平，不過隨著技術(shù)發(fā)展，AIO必然會超越NIO，目前谷歌V8虛擬機引擎所驅(qū)動的node.js就是類似的模式，有關(guān)這種技術(shù)不是本文的說明重點;

將上面兩者結(jié)合起來就是要解決大文件，還要并行度，最土的方法是將文件每次請求的大小降低到一定程度，如8K(這個大小是經(jīng)過測試后網(wǎng)絡(luò)傳輸較為適宜的大小，本地讀取文件并不需要這么小)，如果再做深入一些，可以做一定程度的cache，將多個請求的一樣的文件，cache在內(nèi)存或分布式緩存中，你不用將整個文件cache在內(nèi)存中，將近期使用的cache幾秒左右即可，或你可以采用一些熱點的算法來配合;類似迅雷下載的斷點傳送中(不過迅雷的網(wǎng)絡(luò)協(xié)議不太一樣)，它在處理下載數(shù)據(jù)的時候未必是連續(xù)的，只要最終能合并即可，在服務(wù)器端可以反過來，誰正好需要這塊的數(shù)據(jù)，就給它就可以;才用NIO后，可以支持很大的連接和并發(fā)，本地通過NIO做socket連接測試，100個終端同時請求一個線程的服務(wù)器，正常的WEB應(yīng)用是第一個文件沒有發(fā)送完成，第二個請求要么等待，要么超時，要么直接拒絕得不到連接，改成NIO后此時100個請求都能連接上服務(wù)器端，服務(wù)端只需要1個線程來處理數(shù)據(jù)就可以，將很多數(shù)據(jù)傳遞給這些連接請求資源，每次讀取一部分數(shù)據(jù)傳遞出去，不過可以計算的是，在總體長連接傳輸過程中總體效率并不會提升，只是相對相應(yīng)和所開銷的內(nèi)存得到量化控制，這就是技術(shù)的魅力，也許不要太多的算法，不過你得懂他。

類似的數(shù)據(jù)處理還有很多，有些時候還會將就效率問題，比如在 HBase 的文件拆分和合并過程中，要不影響線上業(yè)務(wù)是比較難的事情，很多問題值得我們?nèi)パ芯繄鼍?，因為不同的場景有不同的方法去解決，但是大同小異，明白思想和方法，明白內(nèi)存和體系 架構(gòu) ，明白你所面臨的是沈陽的場景，只是細節(jié)上改變可以帶來驚人的效果。

作者：風火數(shù)據(jù)
鏈接：https://juejin.im/post/5b556c846fb9a04f9963a8b5
來源：掘金
著作權(quán)歸作者所有。商業(yè)轉(zhuǎn)載請聯(lián)系作者獲得授權(quán)，非商業(yè)轉(zhuǎn)載請注明出處。