解析csv文件，读取百万级数据

 

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地完成开发就行。

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 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

虚拟机的日志和日志参数

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> 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 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

 

 

 

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

 

 

 

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

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> 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> 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> 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 constructDataMap(String[] columns) { Map 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

 

 

 

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。已经可以很好地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> 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 execCmd() { List msgList = new ArrayList(); 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

 

 

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

 

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。