簡單提高文本讀取效率,使用BufferedReader是個不錯的選擇。速度最快的方法是MappedByteBuffer,但是,相比BufferedReader而言,效果不是非常明顯。也就是說,後者雖然快,但也快的有限(不要抱有性能提升幾倍的幻想)。
對於大文本的讀取,性能瓶頸主要在IO,read佔時間多是正常的,硬盤本身就不快,讀入內存後還要轉成對象,都比較耗時間。
想要提速應當用並行的辦法,用多線程同時讀取和處理數據,但Java寫多線程程序很麻煩,並行分段讀同一個文件時還要考慮調整邊界,也比較麻煩。
比如要這麼個場景:分組彙總每個客戶的銷售額,部分源數據如下:
O_ORDERKEY O_CUSTKEY O_ORDERDATE O_TOTALPRICE 10262 RATTC 1996-07-22 14487.0 10263 ERNSH 1996-07-23 43818.0 10264 FOLKO 2007-07-24 1101.0 10265 BLONP 1996-07-25 5528.0 10266 WARTH 1996-07-26 7719.0 10267 FRANK 1996-07-29 20858.0 10268 GROSR 1996-07-30 19887.0 10269 WHITC 1996-07-31 456.0 10270 WARTH 1996-08-01 13654.0 ... |
期望的結果:
Java部分多線程代碼大概要寫成這樣:
... final int DOWN_THREAD_NUM = 8; CountDownLatch doneSignal = new CountDownLatch(DOWN_THREAD_NUM); RandomAccessFile[] outArr = new RandomAccessFile[DOWN_THREAD_NUM]; try{ long length = new File(OUT_FILE_NAME).length(); long numPerThred = length / DOWN_THREAD_NUM; long left = length % DOWN_THREAD_NUM; for (int i = 0; i < DOWN_THREAD_NUM; i++) { outArr[i] = new RandomAccessFile(OUT_FILE_NAME, "rw"); ... if (i == DOWN_THREAD_NUM - 1) { new ReadThread(i * numPerThred, (i + 1) * numPerThred + left, outArr[i],keywords,doneSignal).start(); ... } else { new ReadThread(i * numPerThred, (i + 1) * numPerThred,outArr[i],keywords,doneSignal).start(); ... } } } ... |
如果有集算器就簡單多了,它對Java的多線程進行了封裝,提供了對大文件分段並行的功能,寫起來容易多了,對人員要求也低。比如上面問題,2行就搞定了(集算器內置了並行選項@m,不設置並行數,默認按核數做爲並行數):
|
A |
1 |
=file("/workspace/orders.txt").cursor@mt() |
2 |
=A1.groups(O_CUSTKEY;sum(O_TOTALPRICE):AMOUNT) |
其實還有很多情況用Java並行處理大文本很麻煩,甚至大文本分組、排序、關聯計算等需求,但用集算器SPL卻很簡單,感興趣可以參考:
集算器還很容易嵌入到Java應用程序中,Java如何調用SPL腳本有使用和獲得它的方法。
關於集算器安裝使用、獲得免費授權和相關技術資料,可以參見如何使用集算器。