30G上亿数据的超大文件，如何快速导入生产环境？（Java）

假如给你一个包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？

上面的问题其实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通过线下文件的方式迁移到新的生产系统。

因为老板们已经敲定了新系统上线时间，所以只留给小黑哥一周的时间将历史数据导入生产系统。

因为时间紧，而数据量又超大，所以小黑哥设计的过程想到一下处理办法：

• 拆分文件
• 多线程导入

拆分文件

首先我们可以写个小程序，或者者使用拆分命令 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_

这里之所以选择先将大文件拆分，主要考虑到两个起因：

第一假如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，又需要重新开头读取。

而文件拆分之后，一旦小文件读取结束，我们可以将小文件移动一个指定文件夹。

这样即便应用程序宕机重启，我们重新读取时，只要要读取剩余的文件。

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。

而文件拆分之后，我们可以采用多节点部署的方式，水平扩展。每个节点读取一部分文件，这样即可以成倍的加快导入速度。

多线程导入

当我们拆分完文件，接着我们就需要读取文件内容，进行导入。

之前拆分的时候，设置每个小文件包含 10w 行的数据。因为担心一下子将 10w 数据读取应用中，导致堆内存占用过高，引起频繁的 Full GC，所以下面采用流式读取的方式，一行一行的读取数据。

当然了，假如拆分之后文件很小，或者者说应用的堆内存设置很大，我们可以直接将文件加载到应用内存中解决。这样相对来说简单一点。

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);    }}

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，这样我们可以很方便的迭代读取。

假如当前使用 JDK1.8 ，那么上述操作更加简单，我们可以直接使用 JDK 原生的类 Files将文件转成 Stream 方式读取，代码如下：

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，同样也是封装成迭代器模式。

image

多线程的引入存在的问题

上述读取的代码写起来不难，但是存在效率问题，主要是由于只有单线程在导入，上一行数据导入完成之后，才能继续操作下一行。

为了加快导入速度，那我们就多来几个线程，并发导入。

多线程我们自然将会使用线程池的方式，相关代码改造如下：

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。

我们知道线程池原理如下：

1. 假如核心线程数未满，将会直接创立线程执行任务。
2. 假如核心线程数已满，将会把任务放入到队列中。
3. 假如队列已满，将会再创立线程执行任务。
4. 假如最大线程数已满，队列也已满，那么将会执行拒绝策略。

线程池执行流程图

因为我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，我们可以采用如下方案：

• 将队列容量设置成很大，包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

以上两种方案都存在同样的问题，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 无法清除，即可能会引起频繁的 Full GC，甚至导致 OOM，导致程序导入速渡过慢。

处理这个问题，我们可以如下两种处理方案：

• CountDownLatch 批量执行
• 扩展线程池

CountDownLatch 批量执行

JDK 提供的 CountDownLatch，可以让主线程等待子线程都执行完成之后，再继续往下执行。

利用这个特性，我们可以改造多线程导入的代码,主体逻辑如下：

try (LineIterator iterator = IOUtils.lineIterator(new FileInputStream(file), "UTF-8")) {    // 存储每个任务执行的行数    List<String> lines = Lists.newArrayList();    // 存储异步任务    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) {            // 新建异步任务，注意这里需要创立一个 List            tasks.add(new ConvertTask(Lists.newArrayList(lines)));            lines.clear();        }        if (tasks.size() == 10) {            asyncBatchExecuteTask(tasks);        }    }    // 文件读取结束，但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<ConvertTask> 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，重新增任务    tasks.clear();}

asyncBatchExecuteTask 方法内将会创立 CountDownLatch，而后主线程内调用 await方法等待所有异步线程执行结束。

ConvertTask 异步任务逻辑如下：

/** * 异步任务 * 等数据导入完成之后，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任务类逻辑就非常简单，遍历所有行，将其导入到数据库中。所有数据导入结束，调用 countDownLatch#countDown。

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

尽管这种方式处理上述问题，但是这种方式，每次都需要积累肯定任务数才能开始异步执行所有任务。

另外每次都需要等待所有任务执行结束之后，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肯定的闲置时间，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。

主线程作为生产者不断读取文件，而后将其放置到队列中。

异步线程作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。

其实我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。

那为什么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 。

那我们有没有办法在线程池队列满载的时候，阻塞主线程增加任务？

其实是可以的，我们自己设置线程池拒绝策略，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。

使用这种方式之后，我们可以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，我们可以采用拆分文件的方式，将其拆分成多份文件，而后部署多个应用程序提高读取速度。

另外读取过程我们还可以使用多线程的方式并发导入，不过我们需要注意线程池满载之后，将会拒绝后续任务。

我们可以通过扩展线程池，自己设置拒绝策略，使读取主线程阻塞。

来源：https://www.cnblogs.com/goodAndyxublog/p/14182457.html