java并发读取相同的文件_高效读取大文件，再也不用担心 OOM 了！

最近阿粉接到一个需求，需要从文件读取数据，然后经过业务处理之后存储到数据库中。这个需求，说实话不是很难，阿粉很快完成了第一个版本。

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

publicstaticvoid 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 staticvoid 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。

publicstaticvoid 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 staticList splitLargeFile(String largeFileName) throws IOException {

LineIterator fileContents = FileUtils.lineIterator(new File(largeFileName), StandardCharsets.UTF_8.name());

List lines = Lists.newArrayList();

// 文件序号

intnum = 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);

}

returnfiles;

}

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。

【编辑推荐】

【责任编辑：武晓燕 TEL：(010)68476606】

点赞 0