Question

假设您有一个巨大的（> 1GB）CSV记录ID：

对于每个id，您希望进行REST API调用以获取记录数据，在本地进行转换，然后将其插入本地数据库。

你如何使用Node.js'Readable Stream？

来做到这一点

我的问题基本上是这样的：你如何逐行读取一个非常大的文件，为每一行运行异步函数，并且[可选]能够从特定行开始读取文件？

从以下Quora问题我开始学习使用fs.createReadStream：

http://www.quora.com/What-is-the-best-way-to-read-a-file-line-by-line-in-node-js

var fs = require('fs');
var lazy = require('lazy');

var stream = fs.createReadStream(path, {
  flags: 'r',
  encoding: 'utf-8'
});

new lazy(stream).lines.forEach(function(line) {
  var id = line.toString();
  // pause stream
  stream.pause();
  // make async API call...
  makeAPICall(id, function() {
    // then resume to process next id
    stream.resume();
  });
});

但是，伪代码不起作用，因为lazy module强制您读取整个文件（作为流，但没有暂停）。所以这种方法似乎不起作用。

另一件事是，我希望能够从特定的行开始处理这个文件。原因是，处理每个id（进行api调用，清理数据等）每个记录可能需要半秒钟，所以我不想从头开始每次都是这个文件。我正在考虑使用的天真方法是捕获最后处理的id的行号，并保存它。然后，当您再次解析文件时，您将逐行流式传输所有ID，直到找到您中断的行号，然后执行makeAPICall业务。另一种天真的方法是编写小文件（比如100个ID）并一次处理一个文件（足够小的数据集可以在没有IO流的情况下在内存中完成所有操作）。有更好的方法吗？

我可以看到这会变得多么棘手（以及node-lazy的位置），因为chunk中的stream.on('data', function(chunk) {});可能只包含一行的部分（如果bufferSize很小，每个块可能是10行，但因为id是可变长度，它可能只有9.5行或其他）。这就是为什么我想知道上述问题的最佳方法是什么。

Answer 1

我猜您不需要使用node-lazy。这是我在Node docs中找到的内容：

活动：data
function (data) { }
data事件会发出Buffer（默认情况下）或string 使用setEncoding()。

这意味着您在流上调用setEncoding()，然后您的data事件回调将接受字符串参数。然后在此回调中，您可以使用.pause()和.resume()方法调用。

伪代码应如下所示：

stream.setEncoding('utf8');
stream.addListener('data', function (line) {
    // pause stream
    stream.pause();
    // make async API call...
    makeAPICall(line, function() {
        // then resume to process next line
        stream.resume();
    });
})

虽然文档没有明确指定逐行读取流，但我认为文件流就是这种情况。至少在其他语言和平台上，文本流以这种方式工作，我认为没有理由让节点流不同。

Answer 2

与AndrewАндрейЛисточкин的回答相关：

您可以使用byline之类的模块为每一行获取单独的data事件。它是围绕原始文件流的转换流，它为每个块生成data事件。这可以让你在每一行之后暂停。

byline不会像lazy那样将整个文件读入内存。

var fs = require('fs');
var byline = require('byline');

var stream = fs.createReadStream('bigFile.txt');
stream.setEncoding('utf8');

// Comment out this line to see what the transform stream changes.
stream = byline.createStream(stream); 

// Write each line to the console with a delay.
stream.on('data', function(line) {
  // Pause until we're done processing this line.
  stream.pause();

  setTimeout(() => {
      console.log(line);

      // Resume processing.
      stream.resume();
  }, 200);
});

如何为Node.js中非常大（> 1GB）的文件的每一行运行异步函数

2 个答案: