使用Go语言，25秒读取16GB文件

[[410141]]

我们将使用Go语言，从一个大小为16GB的.txt或.log文件中提取日志。

让我们开始编码……

首先，我们打开文件。对于任何文件的IO，我们都将使用标准的Go os.File。 

f, err := os.Open(fileName)  
 if err != nil {  
   fmt.Println("cannot able to read the file", err)  
   return  
 }  
// UPDATE: close after checking error  
defer file.Close()  //Do not forget to close the file 

打开文件后，我们有以下两个选项可以选择：

逐行读取文件，这有助于减少内存紧张，但需要更多的时间。一次将整个文件读入内存并处理该文件，这将消耗更多内存，但会显著减少时间。

由于文件太大，即16 GB，因此无法将整个文件加载到内存中。但是第一种选择对我们来说也是不可行的，因为我们希望在几秒钟内处理文件。

但你猜怎么着，还有第三种选择。瞧……相比于将整个文件加载到内存中，在Go语言中，我们还可以使用bufio.NewReader()将文件分块加载。 

r := bufio.NewReader(f)  
for {  
buf := make([]byte,4*1024) //the chunk size  
n, err := r.Read(buf) //loading chunk into buffer  
   bufbuf = buf[:n]  
if n == 0 { 
      if err != nil {  
       fmt.Println(err)  
       break  
     }  
     if err == io.EOF {  
       break  
     }  
     return err  
  }  
} 

一旦我们将文件分块，我们就可以分叉一个线程，即Go routine，同时处理多个文件区块。上述代码将修改为： 

//sync pools to reuse the memory and decrease the preassure on Garbage Collector  
linesPool := sync.Pool{New: func() interface{} {  
        lines := make([]byte, 500*1024)  
        return lines  
}}  
stringPool := sync.Pool{New: func() interface{} {  
          lines := ""  
          return lines  
}}  
slicePool := sync.Pool{New: func() interface{} {  
           lines := make([]string, 100)  
           return lines  
}}  
r := bufio.NewReader(f)  
var wg sync.WaitGroup //wait group to keep track off all threads  
for {   
      buf := linesPool.Get().([]byte)  
     n, err := r.Read(buf)  
     bufbuf = buf[:n]  
if n == 0 {  
        if err != nil {  
            fmt.Println(err)  
            break  
        }  
        if err == io.EOF {  
            break  
        }  
        return err  
     }  
nextUntillNewline, err := r.ReadBytes('\n')//read entire line     
      if err != io.EOF { 
         buf = append(buf, nextUntillNewline...)  
     }     
      wg.Add(1)  
     go func() {       
         //process each chunk concurrently  
        //start -> log start time, end -> log end time        
         ProcessChunk(buf, &linesPool, &stringPool, &slicePool,     start, end)  
wg.Done()    
      }()  
}  
wg.Wait()  
} 

上面的代码，引入了两个优化点：

sync.Pool是一个强大的对象池，可以重用对象来减轻垃圾收集器的压力。我们将重用各个分片的内存，以减少内存消耗，大大加快我们的工作。Go Routines帮助我们同时处理缓冲区块，这大大提高了处理速度。

现在让我们实现ProcessChunk函数，它将处理以下格式的日志行。 

2020-01-31T20:12:38.1234Z, Some Field, Other Field, And so on, Till new line,...\n 

我们将根据命令行提供的时间戳提取日志。 

func ProcessChunk(chunk []byte, linesPool *sync.Pool, stringPool *sync.Pool, slicePool *sync.Pool, start time.Time, end time.Time) {  
//another wait group to process every chunk further                            
       var wg2 sync.WaitGroup  
logs := stringPool.Get().(string)  
logs = string(chunk)  
linesPool.Put(chunk) //put back the chunk in pool  
//split the string by "\n", so that we have slice of logs  
      logsSlice := strings.Split(logs, "\n")  
stringPool.Put(logs) //put back the string pool  
chunkSize := 100 //process the bunch of 100 logs in thread  
n := len(logsSlice)  
noOfThread := n / chunkSize  
if n%chunkSize != 0 { //check for overflow   
         noOfThread++  
      }  
length := len(logsSlice)  
//traverse the chunk  
     for i := 0; i < length; i += chunkSize {         
          wg2.Add(1) 
//process each chunk in saperate chunk  
         go func(s int, e int) {  
            for i:= s; i<e;i++{  
               text := logsSlice[i]  
if len(text) == 0 {  
                  continue  
               }            
             logParts := strings.SplitN(text, ",", 2)  
            logCreationTimeString := logParts[0]  
            logCreationTime, err := time.Parse("2006-01-  02T15:04:05.0000Z", logCreationTimeString)  
if err != nil {  
                 fmt.Printf("\n Could not able to parse the time :%s       for log : %v", logCreationTimeString, text) 
                  return  
            }  
// check if log's timestamp is inbetween our desired period  
          if logCreationTime.After(start) && logCreationTime.Before(end) { 
            fmt.Println(text)  
           }  
        }  
        textSlice = nil 
         wg2.Done()   
      }(i*chunkSize, int(math.Min(float64((i+1)*chunkSize), float64(len(logsSlice)))))  
   //passing the indexes for processing  
}    
   wg2.Wait() //wait for a chunk to finish  
   logsSlice = nil  
} 

对上面的代码进行基准测试。以16 GB的日志文件为例，提取日志所需的时间约为25秒。

完整的代码示例如下： 

func main() {  
 s := time.Now()  
 args := os.Args[1:]  
 if len(args) != 6 { // for format  LogExtractor.exe -f "From Time" -t "To Time" -i "Log file directory location"  
  fmt.Println("Please give proper command line arguments")  
  return  
 }  
 startTimeArg := args[1]  
 finishTimeArg := args[3]  
 fileName := args[5]  
 file, err := os.Open(fileName)  
 if err != nil {  
  fmt.Println("cannot able to read the file", err)  
  return  
 }  
 defer file.Close() //close after checking err  
 queryStartTime, err := time.Parse("2006-01-02T15:04:05.0000Z", startTimeArg)  
 if err != nil { 
   fmt.Println("Could not able to parse the start time", startTimeArg)  
  return  
 }  
 queryFinishTime, err := time.Parse("2006-01-02T15:04:05.0000Z", finishTimeArg)  
 if err != nil {  
  fmt.Println("Could not able to parse the finish time", finishTimeArg)  
  return  
 }  
 filestat, err := file.Stat()  
 if err != nil {  
  fmt.Println("Could not able to get the file stat")  
  return  
 } 
 fileSize := filestat.Size()  
 offset := fileSize - 1  
 lastLineSize := 0  
 for {  
  b := make([]byte, 1)  
  n, err := file.ReadAt(b, offset)  
  if err != nil {  
   fmt.Println("Error reading file ", err)  
   break  
  }  
  char := string(b[0])  
  if char == "\n" { 
    break  
  }  
  offset--  
  lastLineSize += n  
 }  
 lastLine := make([]byte, lastLineSize)  
 _, err = file.ReadAt(lastLine, offset+1) 
 if err != nil {  
  fmt.Println("Could not able to read last line with offset", offset, "and lastline size", lastLineSize)  
  return  
 }  
 logSlice := strings.SplitN(string(lastLine), ",", 2)  
 logCreationTimeString := logSlice[0]  
 lastLogCreationTime, err := time.Parse("2006-01-02T15:04:05.0000Z", logCreationTimeString)  
 if err != nil {  
  fmt.Println("can not able to parse time : ", err)  
 }  
 if lastLogCreationTime.After(queryStartTime) && lastLogCreationTime.Before(queryFinishTime) {  
  Process(file, queryStartTime, queryFinishTime) 
  }  
 fmt.Println("\nTime taken - ", time.Since(s))  
} 
func Process(f *os.File, start time.Time, end time.Time) error {  
 linesPool := sync.Pool{New: func() interface{} {  
  lines := make([]byte, 250*1024)  
  return lines  
 }} 
 stringPool := sync.Pool{New: func() interface{} {  
  lines := ""  
  return lines  
 }}  
 r := bufio.NewReader(f)  
 var wg sync.WaitGroup  
 for {  
  buf := linesPool.Get().([]byte)  
  n, err := r.Read(buf)  
  bufbuf = buf[:n]   
  if n == 0 { 
    if err != nil {  
    fmt.Println(err)  
    break  
   }  
   if err == io.EOF {  
    break  
   }  
   return err  
  }  
  nextUntillNewline, err := r.ReadBytes('\n')  
  if err != io.EOF {  
   buf = append(buf, nextUntillNewline...)  
  }  
  wg.Add(1)  
  go func() {  
   ProcessChunk(buf, &linesPool, &stringPool, start, end)  
   wg.Done()  
  }()  
 }  
 wg.Wait()  
 return nil  
}   
func ProcessChunk(chunk []byte, linesPool *sync.Pool, stringPool *sync.Pool, start time.Time, end time.Time) { 
  var wg2 sync.WaitGroup  
 logs := stringPool.Get().(string)  
 logs = string(chunk)  
 linesPool.Put(chunk)  
 logsSlice := strings.Split(logs, "\n")  
 stringPool.Put(logs) 
 chunkSize := 300  
 n := len(logsSlice)  
 noOfThread := n / chunkSize  
 if n%chunkSize != 0 {  
  noOfThread++ 
 }  
 for i := 0; i < (noOfThread); i++ {  
  wg2.Add(1)  
  go func(s int, e int) {  
   defer wg2.Done() //to avaoid deadlocks  
   for i := s; i < e; i++ {  
    text := logsSlice[i]  
    if len(text) == 0 {  
     continue  
    }  
    logSlice := strings.SplitN(text, ",", 2)  
    logCreationTimeString := logSlice[0]  
    logCreationTime, err := time.Parse("2006-01-02T15:04:05.0000Z", logCreationTimeString)  
    if err != nil {  
     fmt.Printf("\n Could not able to parse the time :%s for log : %v", logCreationTimeString, text)  
     return  
    }  
    if logCreationTime.After(start) && logCreationTime.Before(end) {  
     //fmt.Println(text)  
    }  
   }  
  }(i*chunkSize, int(math.Min(float64((i+1)*chunkSize), float64(len(logsSlice)))))  
 }  
 wg2.Wait()  
 logsSlice = nil  
}