老大甩给我 30G 文件,让小黑哥几天内所有导入到数据库
楼下小黑哥 小黑十一点半 数据库
Hello,你们好,我是楼下小黑哥~小程序
若是给你一个包含一亿行数据的超大文件,让你在一周以内将数据转化导入生产数据库,你会如何操做?多线程
上面的问题实际上是小黑哥前段时间接到一个真实的业务需求,将一个老系统历史数据经过线下文件的方式迁移到新的生产系统。并发
因为老板们已经敲定了新系统上线时间,因此只留给小黑哥一周的时间将历史数据导入生产系统。异步
因为时间紧,而数据量又超大,因此小黑哥设计的过程想到一下解决办法:async
拆分文件
多线程导入
拆分文件
首先咱们能够写个小程序,或者使用拆分命令 split 将这个超大文件拆分一个个小文件。ide
-- 将一个大文件拆分红若干个小文件,每一个文件 100000 行
split -l 100000 largeFile.txt -d -a 4 smallFile_
这里之因此选择先将大文件拆分,主要考虑到两个缘由:ui
第一若是程序直接读取这个大文件,假设读取一半的时候,程序忽然宕机,这样就会直接丢失文件读取的进度,又须要从新开头读取。this
而文件拆分以后,一旦小文件读取结束,咱们能够将小文件移动一个指定文件夹。线程
这样即便应用程序宕机重启,咱们从新读取时,只须要读取剩余的文件。
第二,一个文件,只能被一个应用程序读取,这样就限制了导入的速度。
而文件拆分以后,咱们能够采用多节点部署的方式,水平扩展。每一个节点读取一部分文件,这样就能够成倍的加快导入速度。
多线程导入
当咱们拆分完文件,接着咱们就须要读取文件内容,进行导入。
以前拆分的时候,设置每一个小文件包含 10w 行的数据。因为担忧一会儿将 10w 数据读取应用中,致使堆内存占用太高,引发频繁的 「Full GC」,因此下面采用流式读取的方式,一行一行的读取数据。
固然了,若是拆分以后文件很小,或者说应用的堆内存设置很大,咱们能够直接将文件加载到应用内存中处理。这样相对来讲简单一点。
逐行读取的代码以下:
File file = ...
try (LineIterator iterator = IOUtils.lineIterator(new FileInputStream(file), "UTF-8")) {
while (iterator.hasNext()) {
String line=iterator.nextLine();
convertToDB(line);
}
}
上面代码使用 commons-io 中的 LineIterator类,这个类底层使用了 BufferedReader 读取文件内容。它将其封装成迭代器模式,这样咱们能够很方便的迭代读取。
若是当前使用 JDK1.8 ,那么上述操做更加简单,咱们能够直接使用 JDK 原生的类 Files将文件转成 Stream 方式读取,代码以下:
Files.lines(Paths.get("文件路径"), Charset.defaultCharset()).forEach(line -> {
convertToDB(line);
});
其实仔细看下 Files#lines底层源码,其实原理跟上面的 LineIterator相似,一样也是封装成迭代器模式。
多线程的引入存在的问题
上述读取的代码写起来不难,可是存在效率问题,主要是由于只有单线程在导入,上一行数据导入完成以后,才能继续操做下一行。
为了加快导入速度,那咱们就多来几个线程,并发导入。
多线程咱们天然将会使用线程池的方式,相关代码改造以下:
File file = ...;
ExecutorService executorService = new ThreadPoolExecutor(
5,
10,
60,
TimeUnit.MINUTES,
// 文件数量,假设文件包含 10W 行
new ArrayBlockingQueue<>(10*10000),
// guava 提供
new ThreadFactoryBuilder().setNameFormat("test-%d").build());
try (LineIterator iterator = IOUtils.lineIterator(new FileInputStream(file), "UTF-8")) {
while (iterator.hasNext()) {
String line = iterator.nextLine();
executorService.submit(() -> {
convertToDB(line);
});
}
}
上述代码中,每读取到一行内容,就会直接交给线程池来执行。
咱们知道线程池原理以下:
若是核心线程数未满,将会直接建立线程执行任务。
若是核心线程数已满,将会把任务放入到队列中。
若是队列已满,将会再建立线程执行任务。
若是最大线程数已满,队列也已满,那么将会执行拒绝策略。
线程池执行流程图
因为咱们上述线程池设置的核心线程数为 5,很快就到达了最大核心线程数,后续任务只能被加入队列。
为了后续任务不被线程池拒绝,咱们能够采用以下方案:
将队列容量设置成很大,包含整个文件全部行数
将最大线程数设置成很大,数量大于整个文件全部行数
以上两种方案都存在一样的问题,第一种是至关于将文件全部内容加载到内存,将会占用过多内存。
而第二种建立过多的线程,一样也会占用过多内存。
一旦内存占用过多,GC 没法清理,就可能会引发频繁的 「Full GC」,甚至致使 「OOM」,致使程序导入速度过慢。
固然了,咱们还能够第三种方案,综合前两种,设置合适队列长度,以及合适最大线程数。不过呢,「合适」这个度真很差把握,另外也仍是有 「OOM」 问题。
因此为了解决这个问题,小黑哥日思夜想研究出两个解决方案:
CountDownLatch 批量执行
扩展线程池
CountDownLatch 批量执行
JDK 提供的 CountDownLatch,可让主线程等待子线程都执行完成以后,再继续往下执行。
利用这个特性,咱们能够改造多线程导入的代码,主体逻辑以下:
try (LineIterator iterator = IOUtils.lineIterator(new FileInputStream(file), "UTF-8")) {
// 存储每一个任务执行的行数
List lines = Lists.newArrayList();
// 存储异步任务
List tasks = Lists.newArrayList();
while (iterator.hasNext()) {
String line = iterator.nextLine();
lines.add(line);
// 设置每一个线程执行的行数
if (lines.size() == 1000) {
// 新建异步任务,注意这里须要建立一个 List
tasks.add(new ConvertTask(Lists.newArrayList(lines)));
lines.clear();
}
if (tasks.size() == 10) {
asyncBatchExecuteTask(tasks);
}
}
// 文件读取结束,可是可能还存在未被内容
tasks.add(new ConvertTask(Lists.newArrayList(lines)));
// 最后再执行一次
asyncBatchExecuteTask(tasks);
}
这段代码中,每一个异步任务将会导入 1000 行数据,等积累了 10 个异步任务,而后将会调用 asyncBatchExecuteTask 使用线程池异步执行。
/**
* 批量执行任务
*
* @param tasks
*/
private static void asyncBatchExecuteTask(List tasks) throws InterruptedException {
CountDownLatch countDownLatch = new CountDownLatch(tasks.size());
for (ConvertTask task : tasks) {
task.setCountDownLatch(countDownLatch);
executorService.submit(task);
}
// 主线程等待异步线程 countDownLatch 执行结束
countDownLatch.await();
// 清空,从新添加任务
tasks.clear();
}
asyncBatchExecuteTask 方法内将会建立 CountDownLatch,而后主线程内调用 await方法等待全部异步线程执行结束。
ConvertTask 异步任务逻辑以下:
/**
* 异步任务
* 等数据导入完成以后,必定要调用 countDownLatch.countDown()
* 否则,这个主线程将会被阻塞,
*/
private static class ConvertTask implements Runnable {
private CountDownLatch countDownLatch;
private List lines;
public ConvertTask(List lines) {
this.lines = lines;
}
public void setCountDownLatch(CountDownLatch countDownLatch) {
this.countDownLatch = countDownLatch;
}
@Override
public void run() {
try {
for (String line : lines) {
convertToDB(line);
}
} finally {
countDownLatch.countDown();
}
}
}
ConvertTask任务类逻辑就很是简单,遍历全部行,将其导入到数据库中。全部数据导入结束,调用 countDownLatch#countDown。
一旦全部异步线程执行结束,调用 countDownLatch#countDown,主线程将会被唤醒,继续执行文件读取。
虽然这种方式解决上述问题,可是这种方式,每次都须要积累必定任务数才能开始异步执行全部任务。
另外每次都须要等待全部任务执行结束以后,才能开始下一批任务,批量执行消耗的时间等于最慢的异步任务消耗的时间。
这种方式线程池中线程存在必定的闲置时间,那有没有办法一直压榨线程池,让它一直在干活呢?
扩展线程池
回到最开始的问题,文件读取导入,其实就是一个「生产者-消费者」消费模型。
主线程做为生产者不断读取文件,而后将其放置到队列中。
异步线程做为消费者不断从队列中读取内容,导入到数据库中。
「一旦队列满载,生产者应该阻塞,直到消费者消费任务。」
其实咱们使用线程池的也是一个「生产者-消费者」消费模型,其也使用阻塞队列。
那为何线程池在队列满载的时候,不发生阻塞?
这是由于线程池内部使用 offer 方法,这个方法在队列满载的时候「不会发生阻塞」,而是直接返回 。
那咱们有没有办法在线程池队列满载的时候,阻塞主线程添加任务?
实际上是能够的,咱们自定义线程池拒绝策略,当队列满时改成调用 BlockingQueue.put 来实现生产者的阻塞。
RejectedExecutionHandler rejectedExecutionHandler = new RejectedExecutionHandler() {
@Override
public void rejectedExecution(Runnable r, ThreadPoolExecutor executor) {
if (!executor.isShutdown()) {
try {
executor.getQueue().put(r);
} catch (InterruptedException e) {
// should not be interrupted
}
}
}
};
这样一旦线程池满载,主线程将会被阻塞。
使用这种方式以后,咱们能够直接使用上面提到的多线程导入的代码。
ExecutorService executorService = new ThreadPoolExecutor(
5,
10,
60,
TimeUnit.MINUTES,
new ArrayBlockingQueue<>(100),
new ThreadFactoryBuilder().setNameFormat("test-%d").build(),
(r, executor) -> {
if (!executor.isShutdown()) {
try {
// 主线程将会被阻塞
executor.getQueue().put(r);
} catch (InterruptedException e) {
// should not be interrupted
}
}
});
File file = new File("文件路径");
try (LineIterator iterator = IOUtils.lineIterator(new FileInputStream(file), "UTF-8")) {
while (iterator.hasNext()) {
String line = iterator.nextLine();
executorService.submit(() -> convertToDB(line));
}
}
小结
一个超大的文件,咱们能够采用拆分文件的方式,将其拆分红多份文件,而后部署多个应用程序提升读取速度。
另外读取过程咱们还可使用多线程的方式并发导入,不过咱们须要注意线程池满载以后,将会拒绝后续任务。
咱们能够经过扩展线程池,自定义拒绝策略,使读取主线程阻塞。
好了,今天文章内容就到这里,不知道各位有没有其余更好的解决办法,欢迎留言讨论。