高效读取大文件，再也不用担心 OOM 了！

[[330058]]

内存读取

第一个版本，阿粉采用内存读取的方式，所有的数据首先读读取到内存中,程序代码如下：

Stopwatch stopwatch = Stopwatch.createStarted(); 
// 将全部行数读取的内存中 
List 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"); 
// 计算内存占用 
logMemory(); 

logMemory方法如下:

MemoryMXBean memoryMXBean = ManagementFactory.getMemoryMXBean(); 
//堆内存使用情况 
MemoryUsage memoryUsage = memoryMXBean.getHeapMemoryUsage(); 
//初始的总内存 
long totalMemorySize = memoryUsage.getInit(); 
//已使用的内存 
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 开源第三方库，FileUtils#readLines将会把文件中所有内容，全部读取到内存中。

这个程序简单测试并没有什么问题，但是等拿到真正的数据文件，运行程序，很快程序发生了 OOM。

之所以会发生 OOM，主要原因是因为这个数据文件太大。假设上面测试文件 test.txt总共有 200W 行数据，文件大小为：740MB。

通过上述程序读取到内存之后，在我的电脑上内存占用情况如下：

 

可以看到一个实际大小为 700 多 M 的文件，读到内存中占用内存量为 1.5G 之多。而我之前的程序，虚拟机设置内存大小只有 1G，所以程序发生了 OOM。

当然这里最简单的办法就是加内存呗，将虚拟机内存设置到 2G,甚至更多。不过机器内存始终有限，如果文件更大，还是没有办法全部都加载到内存。

不过仔细一想真的需要将全部数据一次性加载到内存中?

很显然，不需要!

在上述的场景中，我们将数据到加载内存中，最后不还是一条条处理数据。

所以下面我们将读取方式修改成逐行读取。

逐行读取

逐行读取的方式比较多，这里阿粉主要介绍两种方式：

• BufferReader
• Apache Commons IO
• Java8 stream

BufferReader

我们可以使用 BufferReader#readLine 逐行读取数据。

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

中有一个方法 FileUtils#lineIterator可以实现逐行读取方式,使用代码如下：

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"); 

这个方法返回一个迭代器，每次我们都可以获取的一行数据。

其实我们查看代码，其实可以发现 FileUtils#lineIterator，其实用的就是 BufferReader，感兴趣的同学可以自己查看一下源码。

由于公号内无法插入外链，关注『Java极客技术』，回复『20200610』 获取源码

Java8 stream

Java8 Files 类新增了一个 lines，可以返回 Stream我们可以逐行处理数据。

Stopwatch stopwatch = Stopwatch.createStarted(); 
// lines(Path path, Charset cs) 
try (Stream inputStream = Files.lines(Paths.get("temp/test.txt"), StandardCharsets.UTF_8)) { 
    inputStream 
            .filter(str -> str.length() > 5)// 过滤数据 
            .forEach(o -> { 
                // pass do sample logic 
            }); 
} 
logMemory(); 
stopwatch.stop(); 
System.out.println("read all lines spend " + stopwatch.elapsed(TimeUnit.SECONDS) + " s"); 

使用这个方法有个好处在于，我们可以方便使用 Stream 链式操作，做一些过滤操作。

注意：这里我们使用 try-with-resources 方式，可以安全的确保读取结束，流可以被安全的关闭。

并发读取

逐行的读取的方式，解决我们 OOM 的问题。不过如果数据很多，我们这样一行行处理，需要花费很多时间。

上述的方式，只有一个线程在处理数据，那其实我们可以多来几个线程，增加并行度。

下面在上面的基础上，阿粉就抛砖引玉，介绍下阿粉自己比较常用两种并行处理方式。

逐行批次打包

第一种方式，先逐行读取数据，加载到内存中，等到积累一定数据之后，然后再交给线程池异步处理。

@SneakyThrows 
public static void readInApacheIOWithThreadPool() { 
    // 创建一个 最大线程数为 10，队列最大数为 100 的线程池 
    ThreadPoolExecutor threadPoolExecutor = new ThreadPoolExecutor(10, 10, 60l, TimeUnit.SECONDS, new LinkedBlockingDeque<>(100)); 
    // 使用 Apache 的方式逐行读取数据 
    LineIterator fileContents = FileUtils.lineIterator(new File("temp/test.txt"), StandardCharsets.UTF_8.name()); 
    List lines = Lists.newArrayList(); 
    while (fileContents.hasNext()) { 
        String nextLine = fileContents.nextLine(); 
        lines.add(nextLine); 
        // 读取到十万的时候 
        if (lines.size() == 100000) { 
            // 拆分成两个 50000 ，交给异步线程处理 
            List> partition = Lists.partition(lines, 50000); 
            List futureList = Lists.newArrayList(); 
            for (List strings : partition) { 
                Future future = threadPoolExecutor.submit(() -> { 
                    processTask(strings); 
                }); 
                futureList.add(future); 
            } 
            // 等待两个线程将任务执行结束之后，再次读取数据。这样的目的防止，任务过多，加载的数据过多，导致 OOM 
            for (Future future : futureList) { 
                // 等待执行结束 
                future.get(); 
            } 
            // 清除内容 
            lines.clear(); 
        } 
 
    } 
    // lines 若还有剩余，继续执行结束 
    if (!lines.isEmpty()) { 
        // 继续执行 
        processTask(lines); 
    } 
  threadPoolExecutor.shutdown(); 
} 
    private static void processTask(List strings) { 
        for (String line : strings) { 
            // 模拟业务执行 
            try { 
                TimeUnit.MILLISECONDS.sleep(10L); 
            } catch (InterruptedException e) { 
                e.printStackTrace(); 
            } 
        } 
    } 

上述方法，等到内存的数据到达 10000 的时候，拆封两个任务交给异步线程执行，每个任务分别处理 50000 行数据。

后续使用 future#get()，等待异步线程执行完成之后，主线程才能继续读取数据。

之所以这么做，主要原因是因为，线程池的任务过多，再次导致 OOM 的问题。

大文件拆分成小文件第二种方式，首先我们将一个大文件拆分成几个小文件，然后使用多个异步线程分别逐行处理数据。

public static void splitFileAndRead() throws Exception { 
    // 先将大文件拆分成小文件 
    List fileList = splitLargeFile("temp/test.txt"); 
    // 创建一个 最大线程数为 10，队列最大数为 100 的线程池 
    ThreadPoolExecutor threadPoolExecutor = new ThreadPoolExecutor(10, 10, 60l, TimeUnit.SECONDS, new LinkedBlockingDeque<>(100)); 
    List futureList = Lists.newArrayList(); 
    for (File file : fileList) { 
        Future future = threadPoolExecutor.submit(() -> { 
            try (Stream inputStream = Files.lines(file.toPath(), StandardCharsets.UTF_8)) { 
                inputStream.forEach(o -> { 
                    // 模拟执行业务 
                    try { 
                        TimeUnit.MILLISECONDS.sleep(10L); 
                    } catch (InterruptedException e) { 
                        e.printStackTrace(); 
                    } 
                }); 
            } catch (IOException e) { 
                e.printStackTrace(); 
            } 
        }); 
        futureList.add(future); 
    } 
    for (Future future : futureList) { 
        // 等待所有任务执行结束 
        future.get(); 
    } 
    threadPoolExecutor.shutdown(); 
 
 
} 
 
private static List splitLargeFile(String largeFileName) throws IOException { 
    LineIterator fileContents = FileUtils.lineIterator(new File(largeFileName), StandardCharsets.UTF_8.name()); 
    List lines = Lists.newArrayList(); 
    // 文件序号 
    int num = 1; 
    List files = Lists.newArrayList(); 
    while (fileContents.hasNext()) { 
        String nextLine = fileContents.nextLine(); 
        lines.add(nextLine); 
        // 每个文件 10w 行数据 
        if (lines.size() == 100000) { 
            createSmallFile(lines, num, files); 
            num++; 
        } 
    } 
    // lines 若还有剩余，继续执行结束 
    if (!lines.isEmpty()) { 
        // 继续执行 
        createSmallFile(lines, num, files); 
    } 
    return files; 
} 

上述方法，首先将一个大文件拆分成多个保存 10W 行的数据的小文件，然后再将小文件交给线程池异步处理。

由于这里的异步线程每次都是逐行从小文件的读取数据，所以这种方式不用像上面方法一样担心 OOM 的问题。

另外，上述我们使用 Java 代码，将大文件拆分成小文件。这里阿粉还有一个简单的办法，我们可以直接使用下述命令，直接将大文件拆分成小文件：

# 将大文件拆分成 100000 的小文件 
 split -l 100000 test.txt 

后续 Java 代码只需要直接读取小文件即可。

总结当我们从文件读取数据时，如果文件不是很大，我们可以考虑一次性读取到内存中，然后快速处理。

如果文件过大，我们就没办法一次性加载到内存中，所以我们需要考虑逐行读取，然后处理数据。但是单线程处理数据毕竟有限，所以我们考虑使用多线程，加快处理数据。

本篇文章我们只是简单介绍了下，数据从文件读取几种方式。数据读取之后，我们肯定还需要处理，然后最后会存储到数据库中或者输出到另一个文件中。

这个过程，说实话比较麻烦，因为我们的数据源文件，可能是 txt，也可能是 excel，这样我们就需要增加多种读取方法。同样的，当数据处理完成之后，也有同样的问题。

 

不过好在，上述的问题我们可以使用 Spring Batch 完美解决。