java 导入30G 上亿数据的超大文件，如何快速导入生产环境？
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的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以下解决办法：
-
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成一个个小文件。
-- 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，又需要重头开始读取。
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到一个指定文件夹。
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，这样就可以成倍地加快导入速度。
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 数据读取到应用中，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，一行一行地读取数据。
当然了，如果拆分之后文件很小，或者说应用的堆内存设置很大，我们可以直接将文件加载到应用内存中处理。这样相对来说简单一点。
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地迭代读取。
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。
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：
-
如果核心线程数未满，将会直接创建线程执行任务。
-
如果核心线程数已满，将会把任务放入到队列中。
-
如果队列已满，将会再创建线程执行任务。
-
如果最大线程数已满，队列也已满，那么将会执行拒绝策略。
线程池执行流程图
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，数量大于整个文件所有行数
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。
当然了，我们还可以有第三种方案，综合前两种，设置合适队列长度，以及合适最大线程数。不过呢，「合适」这个度真不好把握，另外也还是有 「OOM」 问题。
所以为了解决这个问题，小黑哥日思夜想研究出两个解决方案：
-
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。
虽然这种方式可以解决上述问题，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，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 。
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。
不知道各位有没有其他更好的解决办法，欢迎留言讨论。
