如何用 Java 幾分鐘處理完 30 億個(gè)數(shù)據(jù)?
轉(zhuǎn)自：Dream_it_possible！，
鏈接：blog.csdn.net/qq_33036061/article/details/124568689
# 場(chǎng)景說明
現(xiàn)有一個(gè) 10G 文件的數(shù)據(jù)，里面包含了 18-70 之間的整數(shù)，分別表示 18-70 歲的人群數(shù)量統(tǒng)計(jì)。假設(shè)年齡范圍分布均勻，分別表示系統(tǒng)中所有用戶的年齡數(shù)，找出重復(fù)次數(shù)最多的那個(gè)數(shù)，現(xiàn)有一臺(tái)內(nèi)存為 4G、2 核 CPU 的電腦，請(qǐng)寫一個(gè)算法實(shí)現(xiàn)
23,31,42,19,60,30,36,........# 模擬數(shù)據(jù)
Java 中一個(gè)整數(shù)占 4 個(gè)字節(jié)，模擬 10G 為 30 億左右個(gè)數(shù)據(jù)， 采用追加模式寫入 10G 數(shù)據(jù)到硬盤里。
每 100 萬個(gè)記錄寫一行，大概 4M 一行，10G 大概 2500 行數(shù)據(jù)。
package bigdata;import java.io.*;import java.util.Random;/*** @Desc:* @Author: bingbing* @Date: 2022/5/4 0004 19:05*/public class GenerateData {private static Random random = new Random();public static int generateRandomData(int start, int end) {return random.nextInt(end - start + 1) + start;}/*** 產(chǎn)生10G的 1-1000的數(shù)據(jù)在D盤*/public void generateData() throws IOException {File file = new File("D:\\ User.dat");if (!file.exists()) {try {file.createNewFile();} catch (IOException e) {e.printStackTrace();}}int start = 18;int end = 70;long startTime = System.currentTimeMillis();BufferedWriter bos = new BufferedWriter(new OutputStreamWriter(new FileOutputStream(file, true)));for (long i = 1; i < Integer.MAX_VALUE * 1.7; i++) {String data = generateRandomData(start, end) + ",";bos.write(data);// 每100萬條記錄成一行，100萬條數(shù)據(jù)大概4Mif (i % 1000000 == 0) {bos.write("\n");}}System.out.println("寫入完成! 共花費(fèi)時(shí)間:" + (System.currentTimeMillis() - startTime) / 1000 + " s");bos.close();}public static void main(String[] args) {GenerateData generateData = new GenerateData();try {generateData.generateData();} catch (IOException e) {e.printStackTrace();}}}
上述代碼調(diào)整參數(shù)執(zhí)行 2 次，湊 10G 數(shù)據(jù)在 D 盤 User.dat 文件里：
準(zhǔn)備好 10G 數(shù)據(jù)后，接著寫如何處理這些數(shù)據(jù)。
# 場(chǎng)景分析
10G 的數(shù)據(jù)比當(dāng)前擁有的運(yùn)行內(nèi)存大的多，不能全量加載到內(nèi)存中讀取。如果采用全量加載，那么內(nèi)存會(huì)直接爆掉，只能按行讀取。Java 中的 bufferedReader 的 readLine() 按行讀取文件里的內(nèi)容。
# 讀取數(shù)據(jù)
首先，我們寫一個(gè)方法單線程讀完這 30 億數(shù)據(jù)需要多少時(shí)間，每讀 100 行打印一次：
private static void readData() throws IOException {BufferedReader br = new BufferedReader(new InputStreamReader(new FileInputStream(FILE_NAME), "utf-8"));String line;long start = System.currentTimeMillis();int count = 1;while ((line = br.readLine()) != null) {// 按行讀取if (count % 100 == 0) {System.out.println("讀取100行,總耗時(shí)間: " + (System.currentTimeMillis() - start) / 1000 + " s");System.gc();}count++;}running = false;br.close();}
按行讀完 10G 的數(shù)據(jù)大概 20 秒，基本每 100 行，1 億多數(shù)據(jù)花 1 秒，速度還挺快。
# 處理數(shù)據(jù)
1 思路一
通過單線程處理，初始化一個(gè) countMap，key 為年齡，value 為出現(xiàn)的次數(shù)。將每行讀取到的數(shù)據(jù)按照 "," 進(jìn)行分割，然后獲取到的每一項(xiàng)進(jìn)行保存到 countMap 里。如果存在，那么值 key 的 value+1。
for (int i = start; i <= end; i++) {try {File subFile = new File(dir + "\\" + i + ".dat");if (!file.exists()) {subFile.createNewFile();}countMap.computeIfAbsent(i + "", integer -> new AtomicInteger(0));} catch (FileNotFoundException e) {e.printStackTrace();} catch (IOException e) {e.printStackTrace();}}
單線程讀取并統(tǒng)計(jì) countMap：
publicstatic void splitLine(String lineData) {String[] arr = lineData.split(",");for (String str : arr) {if (StringUtils.isEmpty(str)) {continue;}countMap.computeIfAbsent(str, s -> new AtomicInteger(0)).getAndIncrement();}}
通過比較找出年齡數(shù)最多的年齡并打印出來：
private static void findMostAge() {Integer targetValue = 0;String targetKey = null;Iterator<Map.Entry<String, AtomicInteger>> entrySetIterator = countMap.entrySet().iterator();while (entrySetIterator.hasNext()) {Map.Entry<String, AtomicInteger> entry = entrySetIterator.next();Integer value = entry.getValue().get();String key = entry.getKey();if (value > targetValue) {targetValue = value;targetKey = key;}}System.out.println("數(shù)量最多的年齡為:" + targetKey + "數(shù)量為：" + targetValue);}
測(cè)試結(jié)果
總共花了 3 分鐘讀取完并統(tǒng)計(jì)完所有數(shù)據(jù)。
內(nèi)存消耗為 2G-2.5G，CPU 利用率太低，只向上浮動(dòng)了 20%-25% 之間。
要想提高 CPU 利用率，那么可以使用多線程去處理。
下面我們使用多線程去解決這個(gè) CPU 利用率低的問題。
2. 思路二：分治法
使用多線程去消費(fèi)讀取到的數(shù)據(jù)。采用生產(chǎn)者、消費(fèi)者模式去消費(fèi)數(shù)據(jù)。
因?yàn)樵谧x取的時(shí)候是比較快的，單線程的數(shù)據(jù)處理能力比較差。因此思路一的性能阻塞在取數(shù)據(jù)的一方且又是同步操作，導(dǎo)致整個(gè)鏈路的性能會(huì)變的很差。
所謂分治法就是分而治之，也就是說將海量數(shù)據(jù)分割處理。根據(jù) CPU 的能力初始化 n 個(gè)線程，每一個(gè)線程去消費(fèi)一個(gè)隊(duì)列，這樣線程在消費(fèi)的時(shí)候不會(huì)出現(xiàn)搶占隊(duì)列的問題。同時(shí)為了保證線程安全和生產(chǎn)者消費(fèi)者模式的完整，采用阻塞隊(duì)列。
Java 中提供了 LinkedBlockingQueue 就是一個(gè)阻塞隊(duì)列。
初始化阻塞隊(duì)列
使用 LinkedList 創(chuàng)建一個(gè)阻塞隊(duì)列列表：
private static List<LinkedBlockingQueue<String>> blockQueueLists = new LinkedList<>();在 static 塊里初始化阻塞隊(duì)列的數(shù)量和單個(gè)阻塞隊(duì)列的容量為 256。
上面講到了 30 億數(shù)據(jù)大概 2500 行，按行塞到隊(duì)列里。20 個(gè)隊(duì)列，那么每個(gè)隊(duì)列 125 個(gè)，因此可以容量可以設(shè)計(jì)為 256 即可。
//每個(gè)隊(duì)列容量為256for (int i = 0; i < threadNums; i++) {blockQueueLists.add(new LinkedBlockingQueue<>(256));}
生產(chǎn)者
為了實(shí)現(xiàn)負(fù)載的功能，首先定義一個(gè) count 計(jì)數(shù)器，用來記錄行數(shù)：
private static AtomicLong count = new AtomicLong(0);按照行數(shù)來計(jì)算隊(duì)列的下標(biāo) long index=count.get()%threadNums。
下面算法就實(shí)現(xiàn)了對(duì)隊(duì)列列表中的隊(duì)列進(jìn)行輪詢的投放：
static class SplitData {public static void splitLine(String lineData) {String[] arr = lineData.split("\n");for (String str : arr) {if (StringUtils.isEmpty(str)) {continue;}long index = count.get() % threadNums;try {// 如果滿了就阻塞blockQueueLists.get((int) index).put(str);} catch (InterruptedException e) {e.printStackTrace();}count.getAndIncrement();}}
消費(fèi)者
1) 隊(duì)列線程私有化
消費(fèi)方在啟動(dòng)線程的時(shí)候根據(jù) index 去獲取到指定的隊(duì)列，這樣就實(shí)現(xiàn)了隊(duì)列的線程私有化。
private static void startConsumer() throws FileNotFoundException, UnsupportedEncodingException {//如果共用一個(gè)隊(duì)列，那么線程不宜過多，容易出現(xiàn)搶占現(xiàn)象System.out.println("開始消費(fèi)...");for (int i = 0; i < threadNums; i++) {final int index = i;// 每一個(gè)線程負(fù)責(zé)一個(gè) queue，這樣不會(huì)出現(xiàn)線程搶占隊(duì)列的情況。new Thread(() -> {while (consumerRunning) {startConsumer = true;try {String str = blockQueueLists.get(index).take();countNum(str);} catch (InterruptedException e) {e.printStackTrace();}}}).start();}}
2) 多子線程分割字符串
由于從隊(duì)列中多到的字符串非常的龐大，如果又是用單線程調(diào)用 split(",") 去分割，那么性能同樣會(huì)阻塞在這個(gè)地方。
// 按照 arr的大小，運(yùn)用多線程分割字符串private static void countNum(String str) {int[] arr = new int[2];arr[1] = str.length() / 3;for (int i = 0; i < 3; i++) {final String innerStr = SplitData.splitStr(str, arr);new Thread(() -> {String[] strArray = innerStr.split(",");for (String s : strArray) {countMap.computeIfAbsent(s, s1 -> new AtomicInteger(0)).getAndIncrement();}}).start();}}
3) 分割字符串算法
分割時(shí)從 0 開始，按照等分的原則，將字符串 n 等份，每一個(gè)線程分到一份。
用一個(gè) arr 數(shù)組的 arr[0] 記錄每次的分割開始位置。arr[1] 記錄每次分割的結(jié)束位置，如果遇到的開始的字符不為 "," 那么就 startIndex-1。如果結(jié)束的位置不為 "," 那么將 endIndex 向后移一位。
如果 endIndex 超過了字符串的最大長(zhǎng)度，那么就把最后一個(gè)字符賦值給 arr[1]。
/*** 按照 x坐標(biāo) 來分割 字符串，如果切到的字符不為“，”， 那么把坐標(biāo)向前或者向后移動(dòng)一位。** @param line* @param arr 存放x1,x2坐標(biāo)* @return*/public static String splitStr(String line, int[] arr) {int startIndex = arr[0];int endIndex = arr[1];char start = line.charAt(startIndex);char end = line.charAt(endIndex);if ((startIndex == 0 || start == ',') && end == ',') {arr[0] = endIndex + 1;arr[1] = arr[0] + line.length() / 3;if (arr[1] >= line.length()) {arr[1] = line.length() - 1;}return line.substring(startIndex, endIndex);}if (startIndex != 0 && start != ',') {startIndex = startIndex - 1;}if (end != ',') {endIndex = endIndex + 1;}arr[0] = startIndex;arr[1] = endIndex;if (arr[1] >= line.length()) {arr[1] = line.length() - 1;}return splitStr(line, arr);}
測(cè)試結(jié)果
內(nèi)存和 CPU 初始占用大?。?/span>
啟動(dòng)后，運(yùn)行時(shí)內(nèi)存穩(wěn)定在 11.7G，CPU 穩(wěn)定利用在 90% 以上。
總耗時(shí)由 180 秒縮減到 103 秒，效率提升 75%，得到的結(jié)果也與單線程處理的一致。
# 遇到的問題
如果在運(yùn)行了的時(shí)候，發(fā)現(xiàn) GC 突然罷工不工作了，有可能是 JVM 的堆中存在的垃圾太多，沒回收導(dǎo)致內(nèi)存的突增。
解決方法
在讀取一定數(shù)量后，可以讓主線程暫停幾秒，手動(dòng)調(diào)用 GC。
提示: 本 demo 的線程創(chuàng)建都是手動(dòng)創(chuàng)建的，實(shí)際開發(fā)中使用的是線程池。
歡迎關(guān)注“Java引導(dǎo)者”，我們分享最有價(jià)值的Java的干貨文章，助力您成為有思想的Java開發(fā)工程師！