解析csv文件,读取百万级数据_csv如何打开100w以上数据

 

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

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<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

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<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

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

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。

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