使用Java处理大数据避坑指南

视频地址 https://www.bilibili.com/video/BV1MZ4y1S741

最近接到一个任务：对一大批数据进行处理，先使用接口把数据拉取到本地，然后再写脚本进行处理，数据量大概有几百万，所以单线程就不满足了。

处理逻辑其实不重要，毕竟这个没有重用性，就单纯来说说这个多线程是如何来处理数据的，以及我在里面所踩的坑。

需要请求一个接口去拿数据，接口的参数有这三个page 、 pageSize、 projectId，你可以理解这个接口就是一个列表的接口

一个接口，只要请求参数对了，那么结果应该就没问题了。即便是还有问题，那其实也不重要了，我们只是调用方。

所以我把每个请求的参数存入数据库，通过判断这个请求参数，来判断我们请求的数据是否有问题。（这个是在我拉取数据失败N次想到的办法）

yxx_request表

CREATE TABLE `yxx_request` (
  `id` int(11) NOT NULL AUTO_INCREMENT COMMENT 'id',
  `page` varchar(10) COLLATE utf8mb4_unicode_ci NOT NULL,
  `page_size` varchar(10) COLLATE utf8mb4_unicode_ci NOT NULL,
  `project_id` varchar(50) COLLATE utf8mb4_unicode_ci DEFAULT NULL COMMENT '项目ID',
  `threadName` varchar(50) COLLATE utf8mb4_unicode_ci DEFAULT NULL,
  PRIMARY KEY (`id`)
) ENGINE=InnoDB AUTO_INCREMENT=50400 DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_unicode_ci COMMENT='111';

下面就用代码模拟有50个不同的projectId，每个projectId下有50页数据。

一、单线程

伪代码如下：

public void xdxTestOne() {
    System.out.println("开始了......");
    final int pageCount = 50;
    List<String> projectIds = new ArrayList<>();
    for (int i = 0;i < 50; i++) {
        projectIds.add(UUID.randomUUID().toString());
    }
    HashMap params = new HashMap();
    params.put("pageSize", 100);
    for (String projectId : projectIds) {
        params.put("projectId", projectId);
        for (int i = 1; i <= pageCount; i++) {
            params.put("page", i);
            System.out.println(JSON.toJSONString(params));
            params.put("threadName", Thread.currentThread().getName());
            yxxBatchDataMapper.insertRequest(params);
            // TODO 通过接口去获取数据，然后存储到本地
        }
    }
    System.out.println("结束了......");
}

insertRequest

INSERT INTO yxx_request (page, page_size, project_id, threadName) 
VALUES (#{page}, #{pageSize}, #{projectId}, #{threadName})

上面的代码很简单，数据也没有任何问题，就不做展示了。

二、多线程

把上面的代码改造成多线程如下

public void xdxTestTwo() {
    System.out.println("开始了2......");
    final int pageCount = 50;
    List<String> projectIds = new ArrayList<>();
    for (int i = 0;i < 50; i++) {
        projectIds.add(UUID.randomUUID().toString());
    }
    HashMap params = new HashMap();
    params.put("pageSize", 100);
    ThreadPoolExecutor threadPoolExecutor = new ThreadPoolExecutor(15, 15, 0, TimeUnit.SECONDS, new LinkedBlockingQueue<>());
    for (String projectId : projectIds) {
        params.put("projectId", projectId);
        threadPoolExecutor.execute(() -> {
            for (int i = 1; i <= pageCount; i++) {
                params.put("page", i);
                System.out.println(JSON.toJSONString(params));
                params.put("threadName", Thread.currentThread().getName());
                yxxBatchDataMapper.insertRequest(params);
            }
        });
    }
    System.out.println("结束了2......");
}

ThreadPoolExecutor 是线程池，不熟悉的小伙伴可以先看看这个 Java线程池详解

大家可以想象一下上面代码执行的结果，判断一下这样的改造是否有问题呢？

当然，既然我如此的问，那一定是有问题的，首先我们看看数据量，通过上面的描述我们是要模拟 50*50 的请求，那应该是有 2500 条请求才对的。

首先这个数量就对不上了，正确的次数应该 2500

page ， page_size，project_id， 这三个字段进行分组应该是唯一的，但现在却找到了多条数据

明显数据出了问题，这个问题，我排查了很久，其实这是多线程一个常见的问题：多线程共享一个变量，A线程改变了数据，但B线程还在使用， 解决的办法也很简单：把共享变量改成多例的

改造后的代码

public void xdxTestTwo() {
    System.out.println("开始了2......");
    final int pageCount = 50;
    List<String> projectIds = new ArrayList<>();
    for (int i = 0;i < 50; i++) {
        projectIds.add(UUID.randomUUID().toString());
    }
    ThreadPoolExecutor threadPoolExecutor = new ThreadPoolExecutor(15, 15, 0, TimeUnit.SECONDS, new LinkedBlockingQueue<>());
    for (String projectId : projectIds) {
        threadPoolExecutor.execute(() -> {
            HashMap params = new HashMap();
            params.put("pageSize", 100);
            params.put("projectId", projectId);
            for (int i = 1; i <= pageCount; i++) {
                params.put("page", i);
                System.out.println(JSON.toJSONString(params));
                params.put("threadName", Thread.currentThread().getName());
                yxxBatchDataMapper.insertRequest(params);
            }
        });
    }
    System.out.println("结束了2......");
}

三、问题

其实说白了这个问题的解决办法是很简单的，只是多线程共用了单例变量，但在写这些个代码还是遇到了很多的问题

3-1、如何启动运行

上面代码我们是写好了，怎么运行它呢？因为我们现在都是基于SpringBoot开发，我想大家应该也会和我一样，直接写一个controller，然后一个http请求就完事了。

这看似没有任何问题，但实际存在大问题，我最开始就是这样做的，然后数据库一直存在重复的数据（共享变量也是导致数据重复的原因之一），后面我在方法的第一行打印了一个日志，发现这个方法被请求了多次

使用postman和浏览器都是相同的结果，应该是http的重试机制导致的。

解决的办法也有两个

• 一个是使用定时任务去执行
• 一个是方法异步，调用成功直接返回结果 （推荐）

3-2、多线程共享变量

这个上面已经解释了

3-3、数据分页

字面意思，就是sql分页 LIMIT page, pageSize，但现在我们写代码都早已习惯了各种分页插件，没有自己去写过，下面就是我传递的page， pageSize

• 1 500
• 2 500
• 3 500

正确的传参（还是在请教老大看出来的）

• 0 500
• 501 500
• 1001 500

3-4、提升速度

• 一般处理数据，可能会单独的去创建一些零时表，然后对这个表去进行增删改查操作，这时候我们经常会忘记给这个零时表加索引

• 操作数据库能批量就批量，当然要注意数据量 500-1000条/次 还是ok的

• 能在本地就在本地跑，一般我们自己的电脑都是16G+，服务器除非是线上，测试环境都很小，我在测试环境开50个线程就挂机了，在本地就不会。

3-N、其它

这里给处理数据的一些建议

• 处理线上数据一定、一定、一定要备份
• 先写出单线程，测试执行没问题了再改多线程（熟悉之后改起来很快）
• 在处理数据的时候不知道会出现什么问题，最好给数据加一个标识，这样处理中断不至于从头开始

关注我吧，一起学习、一起成长