高效讀取大文件，再也不用擔心 OOM 了！

內存讀取

第一個版本，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，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。

這個程序簡單測試並沒有什么問題，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 IO

Common-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。

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於，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。

並發讀取

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，增加並行度。

下面在上面的基礎上，就拋磚引玉，介紹下自己比較常用兩種並行處理方式。

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。

由於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。