Question

尝试从另一个csv文件开始创建csv文件时出现性能问题。这是原始文件的外观：

country,state,co,olt,olu,splitter,ont,cpe,cpe.latitude,cpe.longitude,cpe.customer_class,cpe.phone,cpe.ip,cpe.subscriber_id
COUNTRY-0001,STATE-0001,CO-0001,OLT-0001,OLU0001,SPLITTER-0001,ONT-0001,CPE-0001,28.21487,77.451775,ALL,SIP:+674100002743@IMS.COMCAST.NET,SIP:E28EDADA06B2@IMS.COMCAST.NET,CPE_SUBSCRIBER_ID-QHLHW4
COUNTRY-0001,STATE-0002,CO-0002,OLT-0002,OLU0002,SPLITTER-0002,ONT-0002,CPE-0002,28.294018,77.068924,ALL,SIP:+796107443092@IMS.COMCAST.NET,SIP:58DD999D6466@IMS.COMCAST.NET,CPE_SUBSCRIBER_ID-AH8NJQ

可能是这样的数百万行，我已经检测到了1.280.000行的问题。

这是算法：

File csvInputFile = new File(csv_path);
int blockSize = 409600;
brCsvInputFile = new BufferedReader(frCsvInputFile, blockSize);

String line = null;
StringBuilder sbIntermediate = new StringBuilder();
skipFirstLine(brCsvInputFile);
while ((line = brCsvInputFile.readLine()) != null) {
    createIntermediateStringBuffer(sbIntermediate, line.split(REGEX_COMMA));
}


private static void skipFirstLine(BufferedReader br) throws IOException {
    String line = br.readLine();
    String[] splitLine = line.split(REGEX_COMMA);
    LOGGER.debug("First line detected! ");
    createIndex(splitLine);
    createIntermediateIndex(splitLine);
}

private static void createIndex(String[] splitLine) {
    LOGGER.debug("START method createIndex.");
    for (int i = 0; i < splitLine.length; i++)
        headerIndex.put(splitLine[i], i);
    printMap(headerIndex);
    LOGGER.debug("COMPLETED method createIndex.");
}

    private static void createIntermediateIndex(String[] splitLine) {

    LOGGER.debug("START method createIntermediateIndex.");
    com.tekcomms.c2d.xml.model.v2.Metadata_element[] metadata_element = null;
    String[] servicePath = newTopology.getElement().getEntity().getService_path().getLevel();

    if (newTopology.getElement().getMetadata() != null)
        metadata_element = newTopology.getElement().getMetadata().getMetadata_element();

    LOGGER.debug(servicePath.toString());
    LOGGER.debug(metadata_element.toString());

    headerIntermediateIndex.clear();
    int indexIntermediateId = 0;
    for (int i = 0; i < servicePath.length; i++) {
        String level = servicePath[i];
        LOGGER.debug("level is: " + level);
        headerIntermediateIndex.put(level, indexIntermediateId);
        indexIntermediateId++;
        // its identificator is going to be located to the next one
        headerIntermediateIndex.put(level + "ID", indexIntermediateId);
        indexIntermediateId++;
    }
    // adding cpe.latitude,cpe.longitude,cpe.customer_class, it could be
    // better if it would be metadata as well.
    String labelLatitude = newTopology.getElement().getEntity().getLatitude();
    // indexIntermediateId++;
    headerIntermediateIndex.put(labelLatitude, indexIntermediateId);
    String labelLongitude = newTopology.getElement().getEntity().getLongitude();
    indexIntermediateId++;
    headerIntermediateIndex.put(labelLongitude, indexIntermediateId);
    String labelCustomerClass = newTopology.getElement().getCustomer_class();
    indexIntermediateId++;
    headerIntermediateIndex.put(labelCustomerClass, indexIntermediateId);

    // adding metadata
    // cpe.phone,cpe.ip,cpe.subscriber_id,cpe.vendor,cpe.model,cpe.customer_status,cpe.contact_telephone,cpe.address,
    // cpe.city,cpe.state,cpe.zip,cpe.bootfile,cpe.software_version,cpe.hardware_version
    // now i need to iterate over each Metadata_element belonging to
    // topology.element.metadata
    // are there any metadata?
    if (metadata_element != null && metadata_element.length != 0)
        for (int j = 0; j < metadata_element.length; j++) {
            String label = metadata_element[j].getLabel();
            label = label.toLowerCase();
            LOGGER.debug(" ==label: " + label + " index_pos: " + j);
            indexIntermediateId++;
            headerIntermediateIndex.put(label, indexIntermediateId);
        }

    printMap(headerIntermediateIndex);
    LOGGER.debug("COMPLETED method createIntermediateIndex.");
}

读取整个数据集，1.280.000行需要800毫秒！所以问题在于这个方法

    private static void createIntermediateStringBuffer(StringBuilder sbIntermediate, String[] splitLine) throws ClassCastException,
        NullPointerException {

    LOGGER.debug("START method createIntermediateStringBuffer.");
    long start, end;
    start = System.currentTimeMillis();
    ArrayList<String> hashes = new ArrayList<String>();
    com.tekcomms.c2d.xml.model.v2.Metadata_element[] metadata_element = null;

    String[] servicePath = newTopology.getElement().getEntity().getService_path().getLevel();
    LOGGER.debug(servicePath.toString());

    if (newTopology.getElement().getMetadata() != null) {
        metadata_element = newTopology.getElement().getMetadata().getMetadata_element();
        LOGGER.debug(metadata_element.toString());
    }

    for (int i = 0; i < servicePath.length; i++) {
        String level = servicePath[i];
        LOGGER.debug("level is: " + level);
        if (splitLine.length > getPositionFromIndex(level)) {
            String name = splitLine[getPositionFromIndex(level)];
            sbIntermediate.append(name);
            hashes.add(name);
            sbIntermediate.append(REGEX_COMMA).append(HashUtils.calculateHash(hashes)).append(REGEX_COMMA);
            LOGGER.debug(" ==sbIntermediate: " + sbIntermediate.toString());
        }
    }

    //      end=System.currentTimeMillis();
    //      LOGGER.info("COMPLETED adding name hash. " + (end - start) + " ms. " + (end - start) / 1000 + " seg.");
    // adding cpe.latitude,cpe.longitude,cpe.customer_class, it should be
    // better if it would be metadata as well.
    String labelLatitude = newTopology.getElement().getEntity().getLatitude();
    if (splitLine.length > getPositionFromIndex(labelLatitude)) {
        String lat = splitLine[getPositionFromIndex(labelLatitude)];
        sbIntermediate.append(lat).append(REGEX_COMMA);
    }

    String labelLongitude = newTopology.getElement().getEntity().getLongitude();
    if (splitLine.length > getPositionFromIndex(labelLongitude)) {
        String lon = splitLine[getPositionFromIndex(labelLongitude)];
        sbIntermediate.append(lon).append(REGEX_COMMA);
    }
    String labelCustomerClass = newTopology.getElement().getCustomer_class();
    if (splitLine.length > getPositionFromIndex(labelCustomerClass)) {
        String customerClass = splitLine[getPositionFromIndex(labelCustomerClass)];
        sbIntermediate.append(customerClass).append(REGEX_COMMA);
    }
    //      end=System.currentTimeMillis();
    //      LOGGER.info("COMPLETED adding lat,lon,customer. " + (end - start) + " ms. " + (end - start) / 1000 + " seg.");
    // watch out metadata are optional, it can appear as a void chain!
    if (metadata_element != null && metadata_element.length != 0)
        for (int j = 0; j < metadata_element.length; j++) {
            String label = metadata_element[j].getLabel();
            LOGGER.debug(" ==label: " + label + " index_pos: " + j);
            if (splitLine.length > getPositionFromIndex(label)) {
                String actualValue = splitLine[getPositionFromIndex(label)];
                if (!"".equals(actualValue))
                    sbIntermediate.append(actualValue).append(REGEX_COMMA);
                else
                    sbIntermediate.append("").append(REGEX_COMMA);
            } else
                sbIntermediate.append("").append(REGEX_COMMA);
            LOGGER.debug(" ==sbIntermediate: " + sbIntermediate.toString());
        }//for
    sbIntermediate.append("\n");
    end = System.currentTimeMillis();
    LOGGER.info("COMPLETED method createIntermediateStringBuffer. " + (end - start) + " ms. ");
}

如您所见，此方法向StringBuffer添加一个预先计算的行，从输入csv文件中读取每一行，从该行计算新数据，最后将生成的行添加到StringBuffer，最后我可以创建包含缓冲区。

我已经运行了jconsole，我可以看到没有内存泄漏，我可以看到代表对象创建的锯齿和gc重新回忆garbaje。它永远不会超越内存堆阈值。

我注意到的一件事是，在StringBuffer中添加新行所需的时间在很短的ms范围内完成（5,6,10），但是随着时间的推移而增加到（100-200） ms和我怀疑在不久的将来会更多，所以这可能是战马。

我试图分析代码，我知道有3个for循环，但它们非常短路，第一个循环只迭代8个元素：

for (int i = 0; i < servicePath.length; i++) {
        String level = servicePath[i];
        LOGGER.debug("level is: " + level);
        if (splitLine.length > getPositionFromIndex(level)) {
            String name = splitLine[getPositionFromIndex(level)];
            sbIntermediate.append(name);
            hashes.add(name);
            sbIntermediate.append(REGEX_COMMA).append(HashUtils.calculateHash(hashes)).append(REGEX_COMMA);
            LOGGER.debug(" ==sbIntermediate: " + sbIntermediate.toString());
        }
    }

我已经确定了从分界线获取名称所需的时间，它没有价值，0毫秒，与计算哈希方法相同，0毫秒。

另一个循环，实际上是相同的，迭代超过0到n，其中n是一个非常小的int，例如3到10，所以我不明白为什么需要更多的时间来完成该方法，唯一的事情我发现在缓冲区中添加一个新行会使进程变慢。

我正在考虑一个生产者消费者多线程策略，一个读取每个行并将它们放入循环缓冲区的读取器线程，另一个线程逐个接受它，处理它们并向StringBuffer添加一个预先计算的行，这是线程安全，当文件被完全重写时，阅读器线程向另一个线程发送消息，告诉它们停止。最后，我必须将此缓冲区保存到文件中。你怎么看？这是一个好主意？

Answer 1

我在项目中使用了superCSV库来处理大量的行。它比手动读取线条要快。 Reference

Answer 2

我正在考虑一个生产者消费者多线程策略，一个读取每个行并将它们放入循环缓冲区的读取器线程，另一个线程逐个接受它，处理它们并向StringBuffer添加一个预先计算的行，这是线程安全，当文件被完全重写时，阅读器线程向另一个线程发送消息，告诉它们停止。最后，我必须将此缓冲区保存到文件中。你怎么看？这是一个好主意吗？

也许吧，但这需要做很多工作，我先尝试一些简单的事情。

line.split(REGEX_COMMA)

你的REGEX_COMMA是一个被编译成正则表达式一百万次的字符串。这很简单，但我尝试使用Pattern代替。

你的分裂会产生大量垃圾。也许你应该通过手动将输入分成重用的ArrayList<String>（它只是几行）来避免它。

如果您只需要将结果写入文件，那么最好避免构建一个巨大的String。也许List<String>甚至List<StringBuilder>会更好，也许可以直接写入缓冲流。

您似乎只使用ASCII。您的编码与平台有关，这可能意味着您正在使用UTF-8，这可能很慢。切换到更简单的编码可能有所帮助。

使用byte[]代替String最有可能有所帮助。字节数是字符的一半，读取文件时不需要转换。您所做的所有操作都可以通过字节轻松完成。

我注意到的一件事是在StringBuffer中添加新行所需的时间在很短的ms范围内完成（5,6,10），但是随着时间的推移而增加到（100-200） ms和我怀疑在不久的将来会更多，所以这可能是战马。

调整大小，可以通过使用建议的ArrayList<String>来加速，因为要复制的数据量要低得多。在缓冲区变大时写出数据也可以。

我已经确定了从分界线获取名称所需的时间，它没有价值，0毫秒，与计算哈希方法相同，0毫秒。

永远不要使用currentTimeMillis，因为nanoTime严格来说更好。使用分析器。分析器的问题在于它会改变它应该测量的内容。作为一个穷人的分析器，你可以计算在可疑方法中花费的所有时间的总和，并将其与总时间进行比较。

CPU负载是什么以及GC在运行程序时做了什么？

在Java中创建大型csv文件变得非常慢

2 个答案: