解析csv文件,读取百万级数据

川长思鸟来 2023-09-23 17:19 132阅读 0赞

![format_png][]

最近在处理下载支付宝账单的需求，支付宝都有代码示例，功能完成还是比较简单的，唯一的问题就在于下载后的文件数据读取。账单文件可大可小，要保证其可用以及性能就不能简单粗暴的完成开发就行。

文件下载是是csv格式，此文件按照行读取，每一行中各列数据直接用逗号`,`隔开的。

前置设置：

1.  开启了设置内存大小以及GC日志输出配置`-Xms800m -Xmx800m -XX:+PrintGCDetails`
2.  测试文件`total-file.csv`数据量: `100万`，文件大小：`176M`
3.  定义账单文件的属性字段：

private static final List<String> ALI_FINANCE_LIST = new ArrayList<>(
                    Arrays.asList("FINANCE_FLOW_NUMBER", "BUSINESS_FLOW_NUMBER", "MERCHANT_ORDER_NUMBER", "ITEM_NAME", "CREATION_TIME", "OPPOSITE_ACCOUNT", "RECEIPT_AMOUNT", "PAYMENT_AMOUNT", "ACCOUNT_BALANCE", "BUSINESS_CHANNEL", "BUSINESS_TYPE", "REMARK"));
    复制代码

相关推荐阅读：

[图形化监控工具JConsole][JConsole]

[虚拟机的日志和日志参数][Link 1]

#### 第一版：简单粗暴 ####

> 直来直往，毫无技巧

拿到文件流，直接按行读取，把所有的数据放入到`List<Map<String, Object>>`中(其中业务相关的校验以及数据筛选都去掉了)

代码如下

@ApiOperation(value = "测试解析-简单粗暴版")
        @GetMapping("/readFileV1")
        public ResponseEntity readFileV1(){
            File file = new File("/Users/ajisun/projects/alwaysCoding/files/total-file.csv");
            List<Map<String, Object>> context = new ArrayList<>();
            try (
                    InputStream stream = new FileInputStream(file);
                    InputStreamReader isr = new InputStreamReader(stream, StandardCharsets.UTF_8);
                    BufferedReader br = new BufferedReader(isr)
            ) {
                String line = "";
                int number = 1;
                while ((line = br.readLine()) != null) {
                    //去除#号开始的行
                    if (!line.startsWith("#")) {
                        if (number >= 1) {
                            //csv是以逗号为区分的文件，以逗号区分
                            String[] columns = line.split(",", -1);
                            //构建数据
                            Map<String, Object> dataMap = new HashMap<>(16);
                            for (int i = 0; i < columns.length; i++) {
                                //防止异常，大于预定义的列不处理
                                if (i > ALI_FINANCE_LIST.size()) {
                                    break;
                                }
                                dataMap.put(ALI_FINANCE_LIST.get(i), columns[i].trim());
                            }
                            context.add(dataMap);
                        }
                        number++;
                    }
                }
                // TODO 存表
                System.out.println("=====插入数据库，数据条数:"+context.size());
                System.out.println("对象大小："+(ObjectSizeCalculator.getObjectSize(context)/1048576) +" M");
                context.clear();
            } catch (Exception e) {
                e.printStackTrace();
            }
            return null;
        }
    复制代码

输出日志以及Jconsole的监控如下

![format_png 1][]

![format_png 2][]

> 由上面的图可以看出内存和CPU的使用率都比较高，会不断触发Full GC，最终还出现了OOM，内存基本使用完了，cpu使用也达到了近70%。

去除`-Xms800m -Xmx800m`的内存大小限制后可以把全部数据拿到，结果如下图所示

![format_png 3][]

![format_png 4][]

> 所有数据可以正常解析读取，Full GC也没用前一次频繁，没有出现OOM。10w条数据大小有1.2G，所占用的内存更是达到2.5G，CPU也是近60%的使用率。

仅仅是200M的csv文件，堆内存就占用了2.5G，如果是更大的文件，内存占用不得起飞了

![format_png 5][]

严重占用了系统资源，对于大文件，此方法不可取。

#### 第二版：循序渐进 ####

> 缓缓图之，数据分批

第一版内存、CPU占用过大，甚至OOM，主要原因就是把所有数据全部加载到内存了。为了避免这种情况，我们可以分批处理。

参数说明：

*  file：解析的文件
 *  batchNumOrder：批次号
 *  context：存放数据的集合
 *  count：每一批次的数据量

1. 接口API

@ApiOperation(value = "测试解析-数据分批版")
        @GetMapping("/readFileV2")
        public ResponseEntity readFileV2(@RequestParam(required = false) int count) {
            File file = new File("/Users/ajisun/projects/alwaysCoding/files/total-file.csv");
            List<Map<String, Object>> context = new ArrayList<>();
            int batchNumOrder = 1;
            parseFile(file, batchNumOrder, context, count);
            return null;
        }
    复制代码

2. 文件解析

> 文件解析，获取文件流

private int parseFile(File file, int batchNumOrder, List<Map<String, Object>> context, int count) {
            try (
                    InputStreamReader isr = new InputStreamReader(new FileInputStream(file) , StandardCharsets.UTF_8);
                    BufferedReader br = new BufferedReader(isr)
            ) {
                batchNumOrder = this.readDataFromFile(br, context, batchNumOrder, count);
            } catch (Exception e) {
                e.printStackTrace();
            }
            return batchNumOrder;
        }
    复制代码

3. 读取文件数据

> 按行读取文件，分割每行数据，然后按照\#\{count\}的数量拆分，分批次存储

private int readDataFromFile(BufferedReader br, List<Map<String, Object>> context, int batchNumOrder, int count) throws IOException {
            String line = "";
            int number = 1;
            while ((line = br.readLine()) != null) {
                //去除#号开始的行
                if (!line.startsWith("#")) {
                    if (number >= 1) {
                        //csv是以逗号为区分的文件，以逗号区分
                        String[] columns = line.split(",", -1);
                        //构建数据
                        context.add(constructDataMap(columns));
                    }
                    number++;
                }
    
                if (context.size() >= count) {
                    // TODO 存表
                    System.out.println("=====插入数据库：批次:" + batchNumOrder + ",数据条数:" + context.size());
                    context.clear();
                    batchNumOrder++;
                }
            }
            // 最后一批次提交
            if (CollectionUtils.isNotEmpty(context)) {
                System.out.println("=====插入数据库：批次:" + batchNumOrder + ",数据条数:" + context.size());
                context.clear();
            }
            return batchNumOrder;
        }
    复制代码

4.组装数据

> 把每一行数据按照顺序和业务对象ALI\_FINANCE\_LIST匹配 ，组装成功单个map数据

public Map<String, Object> constructDataMap(String[] columns) {
            Map<String, Object> dataMap = new HashMap<>(16);
            for (int i = 0; i < columns.length; i++) {
                //防止异常，大于预定义的列不处理
                if (i > ALI_FINANCE_LIST.size()) {
                    break;
                }
                dataMap.put(ALI_FINANCE_LIST.get(i), columns[i].trim());
            }
            return dataMap;
        }
    复制代码

5.执行结果

![format_png 6][]

![format_png 7][]

把文件分批读取插入数据库，可以减少内存的占用以及解决高CPU的问题。已经可以很好的处理文件读取问题了。

但是如果一个文件更大，有1G，2G 甚至更大，虽然不会造成OOM ，但是整个解析的时间就会比较长，然后如果中间出现问题，那么就需要从头再来。

假如是1000万数据的文件，按照一批次1万条插入数据库，然而到999批次的时候失败了(不考虑回滚)，那么为了保证数据的完整性，该文件就需要重新上传解析。但实际上只需要最后一批次数据即可， 多了很多重复操作。

可以使用另一种方式处理，第三版

#### 第三版：大而化小 ####

> 分而治之，文件拆分

主要改动就是在第二版的基础增加文件拆分的功能，把一个大文件按照需求拆分成n个小文件，然后单独解析拆分后的小文件即可。其他方法不变。

1.接口API

> 获取拆分后的文件，循环解析读取

@ApiOperation(value = "测试解析-文件拆分版")
        @GetMapping("/readFileV3")
        public ResponseEntity readFileV3(@RequestParam(required = false) int count){
            if (StringUtils.isEmpty(date)) {
                this.execCmd();
            }
            File file = new File("/Users/ajisun/projects/alwaysCoding/files");
            File[] childs = file.listFiles();//可以按照需求自行排序
            for (File file1 : childs) {
                if (!file1.getName().contains(".csv") && file1.getName().contains("total-file-")) {
                    file1.renameTo(new File(file1.getAbsolutePath() + ".csv"));
                }
            }
            int batchNumOrder = 1;
            List<Map<String, Object>> context = new ArrayList<>();
            for (File child : childs) {
                 if (!child.getName().contains("total-file-")){
                     continue;
                 }
                batchNumOrder = parseFile(child, batchNumOrder, context, count);
            }
            return null;
        }
    复制代码

2.文件拆分

> 按照需求使用Linux命令拆分文件，大而化小，然后按照一定规则命名

public List<String> execCmd() {
            List<String> msgList = new ArrayList<String>();
            String command = "cd /Users/ajisun/projects/alwaysCoding/files && split -a 2 -l 10000  total-file.csv  total-file-";
            try {
                ProcessBuilder pb = new ProcessBuilder("/bin/sh", "-c", command);
                Process process = pb.start();
                BufferedReader ir = new BufferedReader(new InputStreamReader(process.getInputStream()));
                String line;
                while ((line = ir.readLine()) != null) {
                    msgList.add(line);
                }
            } catch (IOException e) {
                e.printStackTrace();
            }
            System.out.println(msgList);
            return msgList;
        }
    复制代码

这种方式的处理在内存与CPU的占用和第二版基本没有差别。

如果采用这种方式记得文件的清理，避免磁盘空间的占用

#### 技术扩展：文件拆分 ####

cd /Users/ajisun/projects/alwaysCoding/files && split -a 2 -l 10000 total-file.csv total-file-
    复制代码

上述字符串是两个命令用&&连接，第一个是进入到指定文件夹，第二个就是按照10000行拆分`total-file.csv`，而且子文件命名以`total-file-`开头，后缀默认两位字母结尾. 执行后的结果如下图

![format_png 8][]

> mac下不能用数字命名(linux下可以的)，只能是默认的字母命名

Linux下：`ajisun.log`文件按照文件大小50m切割，后缀是2位数字结尾的子文件，子文件以`ajisun-`开头

![format_png 9][]

#### 总结总结 ####

如果确定了解析的文件都是小文件，而且文件中的数据最多也就几万行，那么直接简单粗暴使用第一版也没问题。

如果文件较大，几十兆，或者文件中的数据有大几十万行，那么就使用第二版的分批处理。

如果文件很大，以G为单位，或者文件中的数据有几百万行，那么就使用第三版的文件拆分

这里只是做文件解析以及读取相关的功能，但是在实际情况中可能会存在各种各样的数据校验，这个需要根据自己的实际情况处理，但是要避免在解析大文件的时候循环校验，以及循环操作数据库。必要时还可以引入中间表存储文件数据(不做任何处理)，在中间表中做数据校验 再同步到目标表。

还有没有其他更好，更优的方式，欢迎评论区讨论

> 我是纪先生，用输出倒逼输入而持续学习，持续分享技术系列文章，以

[format_png]: https://img-blog.csdnimg.cn/img_convert/527a0b9805ad7c45b7ec3306de3c30d1.webp?x-oss-process=image/format,png
[JConsole]: https://juejin.cn/post/7088492612885151752
[Link 1]: https://juejin.cn/post/7076345794109915144
[format_png 1]: https://img-blog.csdnimg.cn/img_convert/d2b1f16541a5b3080f22e1f8cad80949.webp?x-oss-process=image/format,png
[format_png 2]: https://img-blog.csdnimg.cn/img_convert/5fef1e1663b55a079c1e14080c1d002b.webp?x-oss-process=image/format,png
[format_png 3]: https://img-blog.csdnimg.cn/img_convert/7c608fb7b4e4829f3045d12cfd5e0bef.webp?x-oss-process=image/format,png
[format_png 4]: https://img-blog.csdnimg.cn/img_convert/8f1dbeca0eac2e4da016089837f91071.webp?x-oss-process=image/format,png
[format_png 5]: https://img-blog.csdnimg.cn/img_convert/3e9cac2a2ebd653888a42dbdf08088ea.webp?x-oss-process=image/format,png
[format_png 6]: https://img-blog.csdnimg.cn/img_convert/e62d4d2408929b8cfd9686e43ea449b9.webp?x-oss-process=image/format,png
[format_png 7]: https://img-blog.csdnimg.cn/img_convert/713466186b1d0c27bdd3d1b5d4392f03.webp?x-oss-process=image/format,png
[format_png 8]: https://img-blog.csdnimg.cn/img_convert/f154c4bc86985a68325f5eb79029b21b.webp?x-oss-process=image/format,png
[format_png 9]: https://img-blog.csdnimg.cn/img_convert/272f8e215ef268e493f7bc299e4df6e8.webp?x-oss-process=image/format,png