乐趣区

关于java:30G-上亿数据的超大文件如何快速导入生产环境

Hello,大家好,我是楼下小黑哥~

如果给你一个蕴含一亿行数据的超大文件,让你在一周之内将数据转化导入生产数据库,你会如何操作?

下面的问题其实是小黑哥前段时间接到一个实在的业务需要,将一个老零碎历史数据通过线下文件的形式迁徙到新的生产零碎。

因为老板们曾经敲定了新零碎上线工夫,所以只留给小黑哥一周的工夫将历史数据导入生产零碎。

因为工夫紧,而数据量又超大,所以小黑哥设计的过程想到一下解决办法:

  • 拆分文件
  • 多线程导入

欢送关注我的公众号:小黑十一点半,取得日常干货推送。如果您对我的专题内容感兴趣,也能够关注我的博客:studyidea.cn

拆分文件

首先咱们能够写个小程序,或者应用拆分命令 split 将这个超大文件拆分一个个小文件。

-- 将一个大文件拆分成若干个小文件,每个文件 100000 行
split -l 100000 largeFile.txt -d -a 4 smallFile_

这里之所以抉择先将大文件拆分,次要思考到两个起因:

第一如果程序间接读取这个大文件,假如读取一半的时候,程序忽然宕机,这样就会间接失落文件读取的进度,又须要从新结尾读取。

而文件拆分之后,一旦小文件读取完结,咱们能够将小文件挪动一个指定文件夹。

这样即便应用程序宕机重启,咱们从新读取时,只须要读取残余的文件。

第二,一个文件,只能被一个应用程序读取,这样就限度了导入的速度。

而文件拆分之后,咱们能够采纳多节点部署的形式,程度扩大。每个节点读取一部分文件,这样就能够成倍的放慢导入速度。

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。

之前拆分的时候,设置每个小文件蕴含 10w 行的数据。因为放心一下子将 10w 数据读取利用中,导致堆内存占用过高,引起频繁的 Full GC,所以上面采纳流式读取的形式,一行一行的读取数据。

当然了,如果拆分之后文件很小,或者说利用的堆内存设置很大,咱们能够间接将文件加载到利用内存中解决。这样相对来说简略一点。

逐行读取的代码如下:

File file = ...
try (LineIterator iterator = IOUtils.lineIterator(new FileInputStream(file), "UTF-8")) {while (iterator.hasNext()) {String line=iterator.nextLine();
        convertToDB(line);
    }

}

下面代码应用 commons-io 中的 LineIterator类,这个类底层应用了 BufferedReader 读取文件内容。它将其封装成迭代器模式,这样咱们能够很不便的迭代读取。

如果以后应用 JDK1.8,那么上述操作更加简略,咱们能够间接应用 JDK 原生的类 Files将文件转成 Stream 形式读取,代码如下:

Files.lines(Paths.get("文件门路"), Charset.defaultCharset()).forEach(line -> {convertToDB(line);
});

其实认真看下 Files#lines底层源码,其实原理跟下面的 LineIterator相似,同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,然而存在效率问题,次要是因为只有单线程在导入,上一行数据导入实现之后,能力持续操作下一行。

为了放慢导入速度,那咱们就多来几个线程,并发导入。

多线程咱们天然将会应用线程池的形式,相干代码革新如下:

File file = ...;
ExecutorService executorService = new ThreadPoolExecutor(
        5,
        10,
        60,
        TimeUnit.MINUTES,
              // 文件数量,假如文件蕴含 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,就会间接交给线程池来执行。

咱们晓得线程池原理如下:

  1. 如果外围线程数未满,将会间接创立线程执行工作。
  2. 如果外围线程数已满,将会把工作放入到队列中。
  3. 如果队列已满,将会再创立线程执行工作。
  4. 如果最大线程数已满,队列也已满,那么将会执行回绝策略。

因为咱们上述线程池设置的外围线程数为 5,很快就达到了最大外围线程数,后续工作只能被退出队列。

为了后续工作不被线程池回绝,咱们能够采纳如下计划:

  • 将队列容量设置成很大,蕴含整个文件所有行数
  • 将最大线程数设置成很大,数量大于件所有行数

以上两种计划都存在同样的问题,第一种是相当于将文件所有内容加载到内存,将会占用过多内存。

而第二种创立过多的线程,同样也会占用过多内存。

一旦内存占用过多,GC 无奈清理,就可能会引起频繁的 Full GC,甚至导致 OOM,导致程序导入速度过慢。

解决这个问题,咱们能够如下两种解决方案:

  • CountDownLatch 批量执行
  • 扩大线程池

CountDownLatch 批量执行

JDK 提供的 CountDownLatch,能够让主线程期待子线程都执行实现之后,再持续往下执行。

利用这个个性,咱们能够革新多线程导入的代码, 主体逻辑如下:

try (LineIterator iterator = IOUtils.lineIterator(new FileInputStream(file), "UTF-8")) {
    // 存储每个工作执行的行数
    List<String> lines = Lists.newArrayList();
    // 存储异步工作
    List<ConvertTask> tasks = Lists.newArrayList();
    while (iterator.hasNext()) {String line = iterator.nextLine();
        lines.add(line);
        // 设置每个线程执行的行数
        if (lines.size() == 1000) {
            // 新建异步工作,留神这里须要创立一个 List
            tasks.add(new ConvertTask(Lists.newArrayList(lines)));
            lines.clear();}
        if (tasks.size() == 10) {asyncBatchExecuteTask(tasks);
        }

    }
    // 文件读取完结,然而可能还存在未被内容
    tasks.add(new ConvertTask(Lists.newArrayList(lines)));
    // 最初再执行一次
    asyncBatchExecuteTask(tasks);
}

这段代码中,每个异步工作将会导入 1000 行数据,等积攒了 10 个异步工作,而后将会调用 asyncBatchExecuteTask 应用线程池异步执行。

/**
 * 批量执行工作
 *
 * @param tasks
 */
private static void asyncBatchExecuteTask(List<ConvertTask> tasks) throws InterruptedException {CountDownLatch countDownLatch = new CountDownLatch(tasks.size());
    for (ConvertTask task : tasks) {task.setCountDownLatch(countDownLatch);
        executorService.submit(task);
    }
    // 主线程期待异步线程 countDownLatch 执行完结
    countDownLatch.await();
    // 清空,从新增加工作
    tasks.clear();}

asyncBatchExecuteTask 办法内将会创立 CountDownLatch,而后主线程内调用 await办法期待所有异步线程执行完结。

ConvertTask 异步工作逻辑如下:

/**
 * 异步工作
 * 等数据导入实现之后,肯定要调用 countDownLatch.countDown()
 * 不然,这个主线程将会被阻塞,*/
private static class ConvertTask implements Runnable {

    private CountDownLatch countDownLatch;

    private List<String> lines;

    public ConvertTask(List<String> 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工作类逻辑就非常简单,遍历所有行,将其导入到数据库中。所有数据导入完结,调用 countDownLatch#countDown

一旦所有异步线程执行完结,调用 countDownLatch#countDown,主线程将会被唤醒,继续执行文件读取。

尽管这种形式解决上述问题,然而这种形式,每次都须要积攒肯定工作数能力开始异步执行所有工作。

另外每次都须要期待所有工作执行完结之后,能力开始下一批工作,批量执行耗费的工夫等于最慢的异步工作耗费的工夫。

这种形式线程池中线程存在肯定的闲置工夫,那有没有方法始终压迫线程池,让它始终在干活呢?

扩大线程池

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 生产模型。

主线程作为生产者一直读取文件,而后将其搁置到队列中。

异步线程作为消费者一直从队列中读取内容,导入到数据库中。

一旦队列满载,生产者应该阻塞,直到消费者生产工作。

其实咱们应用线程池的也是一个 生产者 - 消费者 生产模型,其也应用阻塞队列。

那为什么线程池在队列满载的时候,不产生阻塞?

这是因为线程池外部应用 offer 办法,这个办法在队列满载的时候 不会产生阻塞,而是间接返回。

那咱们有没有方法在线程池队列满载的时候,阻塞主线程增加工作?

其实是能够的,咱们自定义线程池回绝策略,当队列满时改为调用 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。

应用这种形式之后,咱们能够间接应用下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("文件门路");

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,咱们能够采纳拆分文件的形式,将其拆分成多份文件,而后部署多个应用程序进步读取速度。

另外读取过程咱们还能够应用多线程的形式并发导入,不过咱们须要留神线程池满载之后,将会回绝后续工作。

咱们能够通过扩大线程池,自定义回绝策略,使读取主线程阻塞。

好了,明天文章内容就到这里,不晓得各位有没有其余更好的解决办法,欢送留言探讨。

欢送关注我的公众号:小黑十一点半,取得日常干货推送。如果您对我的专题内容感兴趣,也能够关注我的博客:studyidea.cn

退出移动版