Как работать с огромным однострочным файлом в Java

Мне нужно прочитать огромный файл (15 + ГБ) и выполнить некоторые незначительные изменения (добавьте некоторые новые строки, чтобы с ним мог работать другой парсер). Вы можете подумать, что для этого обычно есть ответы:

но весь мой файл находится на одной строке.

Мой общий подход до сих пор очень прост:

char[] buffer = new char[X];
BufferedReader reader = new BufferedReader(new ReaderUTF8(new FileInputStream(new File("myFileName"))), X);
char[] bufferOut = new char[X+a little];
int bytesRead = -1;
int i = 0;
int offset = 0;
long totalBytesRead = 0;
int countToPrint = 0;
while((bytesRead = reader.read(buffer)) >= 0){
    for(i = 0; i < bytesRead; i++){
        if(buffer[i] == '}'){
            bufferOut[i+offset] = '}';
            offset++;
            bufferOut[i+offset] = '\n';
        }
        else{
            bufferOut[i+offset] = buffer[i];
        }
    }
    writer.write(bufferOut, 0, bytesRead+offset);
    offset = 0;
    totalBytesRead += bytesRead;
    countToPrint += 1;
    if(countToPrint == 10){
        countToPrint = 0;
        System.out.println("Read "+((double)totalBytesRead / originalFileSize * 100)+" percent.");
    }
}
writer.flush();

После некоторых экспериментов я обнаружил, что значение X, превышающее миллион, дает оптимальную скорость - похоже, что я получаю около 2% каждые 10 минут, а значение X ~ 60 000 только на 60% через 15 часов. Профилирование показывает, что я трачу 96%% моего времени на метод read(), так что определенно мое узкое место. Начиная с написания этого, моя 8-миллионная версия X закончила 32% файла через 2 часа и 40 минут, если вы хотите знать, как она работает в течение длительного времени.

Есть ли лучший подход для работы с таким большим однострочным файлом? Как и в, есть ли более быстрый способ чтения этого типа файла, который дает мне относительно простой способ вставки символов новой строки?

Я знаю, что различные языки или программы, возможно, справятся с этим изящно, но я ограничиваю это перспективой Java.

Ответы

Ответ 1

Вы делаете это намного сложнее, чем должно быть. Просто используя буферизацию, уже предоставленную стандартными классами, вы должны получить максимальную скорость не менее нескольких МБ в секунду без каких-либо проблем.

Эта простая тестовая программа обрабатывает 1 ГБ менее чем за 2 минуты на моем ПК (включая создание тестового файла):

import java.io.BufferedInputStream;
import java.io.BufferedOutputStream;
import java.io.File;
import java.io.FileInputStream;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.InputStream;
import java.io.InputStreamReader;
import java.io.OutputStream;
import java.io.OutputStreamWriter;
import java.io.Reader;
import java.io.Writer;
import java.nio.charset.Charset;
import java.nio.charset.StandardCharsets;
import java.util.Random;

public class TestFileProcessing {

    public static void main(String[] argv) {

        try {
            long time = System.currentTimeMillis();
            File from = new File("C:\\Test\\Input.txt");
            createTestFile(from, StandardCharsets.UTF_8, 1_000_000_000);
            System.out.println("Created file in: " + (System.currentTimeMillis() - time) + "ms");

            time = System.currentTimeMillis();
            File to = new File("C:\\Test\\Output.txt");
            doIt(from, to, StandardCharsets.UTF_8);
            System.out.println("Converted file in: " + (System.currentTimeMillis() - time) + "ms");
        } catch (IOException e) {
            throw new RuntimeException(e.getMessage(), e);
        }
    }

    public static void createTestFile(File file, Charset encoding, long size) throws IOException {
        Random r = new Random(12345);
        try (OutputStream fout = new FileOutputStream(file);
                BufferedOutputStream bout = new BufferedOutputStream(fout);
                Writer writer = new OutputStreamWriter(bout, encoding)) {
            for (long i=0; i<size; ++i) {
                int c = r.nextInt(26);
                if (c == 0)
                    writer.write('}');
                else
                    writer.write('a' + c);
            }
        }
    }

    public static void doIt(File from, File to, Charset encoding) throws IOException {
        try (InputStream fin = new FileInputStream(from);
                BufferedInputStream bin = new BufferedInputStream(fin);
                Reader reader = new InputStreamReader(bin, encoding);
                OutputStream fout = new FileOutputStream(to);
                BufferedOutputStream bout = new BufferedOutputStream(fout);
                Writer writer = new OutputStreamWriter(bout, encoding)) {
            int c;
            while ((c = reader.read()) >= 0) {
                if (c == '}')
                    writer.write('\n');
                writer.write(c);
            }
        }
    }

}

Как вы видите, нет сложной логики или избыточных размеров буфера. Используется просто буферизация потоков, наиболее близких к оборудованию, FileInput/OutputStream.