【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。

由于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。

由于时间紧,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

拆分文件

首先我们可以写个小程序,或者使用拆分命令 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,主要考虑到两个原因:

第一如果程序直接读取这个大文件,假设读取一半的时候,程序突然宕机,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。

这样即使应用程序宕机重启,我们重新读取时,只需要读取剩余的文件。

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,这样就可以成倍的加快导入速度。

【Java】30G 上亿数据的超大文件,如何快速导入生产环境?

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。由于担心一下子将 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。

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。

如果当前使用 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类似,同样也是封装成迭代器模式。

【Java】30G 上亿数据的超大文件,如何快速导入生产环境?

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,主要是因为只有单线程在导入,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. 如果核心线程数未满,将会直接创建线程执行任务。
  2. 如果核心线程数已满,将会把任务放入到队列中。
  3. 如果队列已满,将会再创建线程执行任务。
  4. 如果最大线程数已满,队列也已满,那么将会执行拒绝策略。

【Java】30G 上亿数据的超大文件,如何快速导入生产环境?

由于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。

而第二种创建过多的线程,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,我们可以如下两种解决方案:

  • 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,注意这里需要创建一个 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,然后将会调用 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,重新添加任务

tasks.clear();

}

asyncBatchExecuteTask 方法内将会创建 CountDownLatch,然后主线程内调用 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,一定要调用 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。

虽然这种方式解决上述问题,但是这种方式,每次都需要积累一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一定的闲置时间,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,然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?

这是因为线程池内部使用 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 。

【Java】30G 上亿数据的超大文件,如何快速导入生产环境?

那我们有没有办法在线程池队列满载的时候,阻塞主线程添加任务?

其实是可以的,我们自定义线程池拒绝策略,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,然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,自定义拒绝策略,使读取主线程阻塞。

好了,今天文章内容就到这里,不知道各位有没有其他更好的解决办法,欢迎留言讨论。

【Java】30G 上亿数据的超大文件,如何快速导入生产环境?

以上是 【Java】30G 上亿数据的超大文件,如何快速导入生产环境? 的全部内容, 来源链接: utcz.com/a/91293.html

回到顶部