如何用JAVA几分钟处理完30亿个数据?
Posted xhmj12
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了如何用JAVA几分钟处理完30亿个数据?相关的知识，希望对你有一定的参考价值。
点击关注下方公众号，Java资料都在这里
目录
场景说明
模拟数据
场景分析
读取数据
处理数据
遇到的问题
场景说明
现有一个 10G 文件的数据，里面包含了 18-70 之间的整数，分别表示 18-70 岁的人群数量统计，假设年龄范围分布均匀，分别表示系统中所有用户的年龄数，找出重复次数最多的那个数，现有一台内存为 4G、2 核 CPU 的电脑，请写一个算法实现。
23,31,42,19,60,30,36,........模拟数据
Java 中一个整数占 4 个字节，模拟 10G 为 30 亿左右个数据， 采用追加模式写入 10G 数据到硬盘里。每 100 万个记录写一行，大概 4M 一行，10G 大概 2500 行数据。
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;
/**
* 产生10G的 1-1000的数据在D盘
*/
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100万条记录成一行，100万条数据大概4M
if (i % 1000000 == 0)
bos.write("\\n");
System.out.println("写入完成! 共花费时间:" + (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();
上述代码调整参数执行 2 次，凑 10 个 G 的数据在 D 盘的 User.dat 文件里。
准备好 10G 数据后，接着写如何处理这些数据。
场景分析
10G 的数据比当前拥有的运行内存大的多，不能全量加载到内存中读取，如果采用全量加载，那么内存会直接爆掉，只能按行读取，Java 中的 bufferedReader 的 readLine() 按行读取文件里的内容。
读取数据
首先我们写一个方法单线程读完这 30E 数据需要多少时间，每读 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)
// 按行读取
// SplitData.splitLine(line);
if (count % 100 == 0)
System.out.println("读取100行,总耗时间: " + (System.currentTimeMillis() - start) / 1000 + " s");
System.gc();
count++;
running = false;
br.close();
按行读完 10G 的数据大概 20 秒，基本每 100 行，1E 多数据花 1S，速度还挺快：
处理数据
| 思路一：通过单线程处理
通过单线程处理，初始化一个 countMap，key 为年龄，value 为出现的次数，将每行读取到的数据按照 "," 进行分割，然后获取到的每一项进行保存到 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();
单线程读取并统计 countMap：
public static 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();
通过比较找出年龄数最多的年龄并打印出来：
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("数量最多的年龄为:" + targetKey + "数量为：" + targetValue);
完整代码：
package bigdata;
import org.apache.commons.lang3.StringUtils;
import java.io.*;
import java.util.*;
import java.util.concurrent.ConcurrentHashMap;
import java.util.concurrent.atomic.AtomicInteger;
/**
* @Desc:
* @Author: bingbing
* @Date: 2022/5/4 0004 19:19
* 单线程处理
*/
public class HandleMaxRepeatProblem_v0
public static final int start = 18;
public static final int end = 70;
public static final String dir = "D:\\dataDir";
public static final String FILE_NAME = "D:\\ User.dat";
/**
* 统计数量
*/
private static Map<String, AtomicInteger> countMap = new ConcurrentHashMap<>();
/**
* 开启消费的标志
*/
private static volatile boolean startConsumer = false;
/**
* 消费者运行保证
*/
private static volatile boolean consumerRunning = true;
/**
* 按照 "," 分割数据，并写入到countMap里
*/
static class SplitData
public static 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();
/**
* init map
*/
static
File file = new File(dir);
if (!file.exists())
file.mkdir();
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();
public static void main(String[] args)
new Thread(() ->
try
readData();
catch (IOException e)
e.printStackTrace();
).start();
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)
// 按行读取，并向map里写入数据
SplitData.splitLine(line);
if (count % 100 == 0)
System.out.println("读取100行,总耗时间: " + (System.currentTimeMillis() - start) / 1000 + " s");
try
Thread.sleep(1000L);
catch (InterruptedException e)
e.printStackTrace();
count++;
findMostAge();
br.close();
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("数量最多的年龄为:" + targetKey + "数量为：" + targetValue);
private static void clearTask()
// 清理，同时找出出现字符最大的数
findMostAge();
System.exit(-1);
测试结果：总共花了 3 分钟读取完并统计完所有数据。
内存消耗为 2G-2.5G，CPU 利用率太低，只向上浮动了 20%-25% 之间：
要想提高 CPU 的利用率，那么可以使用多线程去处理。下面我们使用多线程去解决这个 CPU 利用率低的问题。
| 思路二：分治法
使用多线程去消费读取到的数据。采用生产者、消费者模式去消费数据，因为在读取的时候是比较快的，单线程的数据处理能力比较差，因此思路一的性能阻塞在取数据方，又是同步的，所以导致整个链路的性能会变的很差。
所谓分治法就是分而治之，也就是说将海量数据分割处理。根据 CPU 的能力初始化 n 个线程，每一个线程去消费一个队列，这样线程在消费的时候不会出现抢占队列的问题。
同时为了保证线程安全和生产者消费者模式的完整，采用阻塞队列，Java 中提供了 LinkedBlockingQueue 就是一个阻塞队列。
①初始化阻塞队列
使用 linkedList 创建一个阻塞队列列表：
private static List<LinkedBlockingQueue<String>> blockQueueLists = new LinkedList<>();在 static 块里初始化阻塞队列的数量和单个阻塞队列的容量为 256，上面讲到了 30E 数据大概 2500 行，按行塞到队列里，20 个队列，那么每个队列 125 个，因此可以容量可以设计为 256 即可：
//每个队列容量为256
for (int i = 0; i < threadNums; i++)
blockQueueLists.add(new LinkedBlockingQueue<>(256));
②生产者
为了实现负载的功能, 首先定义一个 count 计数器，用来记录行数：
private static AtomicLong count = new AtomicLong(0);按照行数来计算队列的下标：long index=count.get()%threadNums。
下面算法就实现了对队列列表中的队列进行轮询的投放：
static class SplitData
public static void splitLine(String lineData)
// System.out.println(lineData.length());
String[] arr = lineData.split("\\n");
for (String str : arr)
if (StringUtils.isEmpty(str))
continue;
long index = count.get() % threadNums;
try
// 如果满了就阻塞
blockQueueLists.get((int) index).put(str);
catch (InterruptedException e)
e.printStackTrace();
count.getAndIncrement();
③消费者
队列线程私有化：消费方在启动线程的时候根据 index 去获取到指定的队列，这样就实现了队列的线程私有化。
private static void startConsumer() throws FileNotFoundException, UnsupportedEncodingException
//如果共用一个队列，那么线程不宜过多，容易出现抢占现象
System.out.println("开始消费...");
for (int i = 0; i < threadNums; i++)
final int index = i;
// 每一个线程负责一个queue，这样不会出现线程抢占队列的情况。
new Thread(() ->
while (consumerRunning)
startConsumer = true;
try
String str = blockQueueLists.get(index).take();
countNum(str);
catch (InterruptedException e)
e.printStackTrace();
).start();
多子线程分割字符串：由于从队列中多到的字符串非常的庞大，如果又是用单线程调用 split(",") 去分割，那么性能同样会阻塞在这个地方。
// 按照arr的大小，运用多线程分割字符串
private static void countNum(String str)
int[] arr = new int[2];
arr[1] = str.length() / 3;
// System.out.println("分割的字符串为start位置为:" + arr[0] + ",end位置为:" + arr[1]);
for (int i = 0; i < 3; i++)
final String innerStr = SplitData.splitStr(str, arr);
// System.out.println("分割的字符串为start位置为:" + arr[0] + ",end位置为:" + arr[1]);
new Thread(() ->
String[] strArray = innerStr.split(",");
for (String s : strArray)
countMap.computeIfAbsent(s, s1 -> new AtomicInteger(0)).getAndIncrement();
).start();
分割字符串算法：分割时从 0 开始，按照等分的原则，将字符串 n 等份，每一个线程分到一份。
用一个 arr 数组的 arr[0] 记录每次的分割开始位置，arr[1] 记录每次分割的结束位置，如果遇到的开始的字符不为 ","，那么就 startIndex-1，如果结束的位置不为 ","，那么将 endIndex 向后移一位。
如果 endIndex 超过了字符串的最大长度，那么就把最后一个字符赋值给 arr[1]。
/**
* 按照 x坐标 来分割 字符串，如果切到的字符不为“，”， 那么把坐标向前或者向后移动一位。
*
* @param line
* @param arr 存放x1,x2坐标
* @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);
完整代码：
package bigdata;
import cn.hutool.core.collection.CollectionUtil;
import org.apache.commons.lang3.StringUtils;
import java.io.*;
import java.util.*;
import java.util.concurrent.ConcurrentHashMap;
import java.util.concurrent.LinkedBlockingQueue;
import java.util.concurrent.atomic.AtomicInteger;
import java.util.concurrent.atomic.AtomicLong;
import java.util.concurrent.locks.ReentrantLock;
/**
* @Desc:
* @Author: bingbing
* @Date: 2022/5/4 0004 19:19
* 多线程处理
*/
public class HandleMaxRepeatProblem
public static final int start = 18;
public static final int end = 70;
public static final String dir = "D:\\dataDir";
public static final String FILE_NAME = "D:\\ User.dat";
private static final int threadNums = 20;
/**
* key 为年龄， value为所有的行列表，使用队列
*/
private static Map<Integer, Vector<String>> valueMap = new ConcurrentHashMap<>();
/**
* 存放数据的队列
*/
private static List<LinkedBlockingQueue<String>> blockQueueLists = new LinkedList<>();
/**
* 统计数量
*/
private static Map<String, AtomicInteger> countMap = new ConcurrentHashMap<>();
private static Map<Integer, ReentrantLock> lockMap = new ConcurrentHashMap<>();
// 队列负载均衡
private static AtomicLong count = new AtomicLong(0);
/**
* 开启消费的标志
*/
private static volatile boolean startConsumer = false;
/**
* 消费者运行保证
*/
private static volatile boolean consumerRunning = true;
/**
* 按照 "," 分割数据，并写入到文件里
*/
static class SplitData
public static void splitLine(String lineData)
// System.out.println(lineData.length());
String[] arr = lineData.split("\\n");
for (String str : arr)
if (StringUtils.isEmpty(str))
continue;
long index = count.get() % threadNums;
try
// 如果满了就阻塞
blockQueueLists.get((int) index).put(str);
catch (InterruptedException e)
e.printStackTrace();
count.getAndIncrement();
/**
* 按照 x坐标 来分割 字符串，如果切到的字符不为“，”， 那么把坐标向前或者向后移动一位。
*
* @param line
* @param arr 存放x1,x2坐标
* @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);
public static void splitLine0(String lineData)
String[] arr = lineData.split(",");
for (String str : arr)
if (StringUtils.isEmpty(str))
continue;
int keyIndex = Integer.parseInt(str);
ReentrantLock lock = lockMap.computeIfAbsent(keyIndex, lockMap -> new ReentrantLock());
lock.lock();
try
valueMap.get(keyIndex).add(str);
finally
lock.unlock();
// boolean wait = true;
// for (; ; )
// if (!lockMap.get(Integer.parseInt(str)).isLocked())
// wait = false;
// valueMap.computeIfAbsent(Integer.parseInt(str), integer -> new Vector<>()).add(str);
//
// // 当前阻塞，直到释放锁
// if (!wait)
// break;
//
//
/**
* init map
*/
static
File file = new File(dir);
if (!file.exists())
file.mkdir();
//每个队列容量为256
for (int i = 0; i < threadNums; i++)
blockQueueLists.add(new LinkedBlockingQueue<>(256));
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));
// lockMap.computeIfAbsent(i, lock -> new ReentrantLock());
catch (FileNotFoundException e)
e.printStackTrace();
catch (IOException e)
e.printStackTrace();
public static void main(String[] args)
new Thread(() ->
try
// 读取数据
readData();
catch (IOException e)
e.printStackTrace();
).start();
new Thread(() ->
try
// 开始消费
startConsumer();
catch (FileNotFoundException e)
e.printStackTrace();
catch (UnsupportedEncodingException e)
e.printStackTrace();
).start();
new Thread(() ->
// 监控
monitor();
).start();
/**
* 每隔60s去检查栈是否为空
*/
private static void monitor()
AtomicInteger emptyNum = new AtomicInteger(0);
while (consumerRunning)
try
Thread.sleep(10 * 1000);
catch (InterruptedException e)
e.printStackTrace();
if (startConsumer)
// 如果所有栈的大小都为0，那么终止进程
AtomicInteger emptyCount = new AtomicInteger(0);
for (int i = 0; i < threadNums; i++)
if (blockQueueLists.get(i).size() == 0)
emptyCount.getAndIncrement();
if (emptyCount.get() == threadNums)
emptyNum.getAndIncrement();
// 如果连续检查指定次数都为空，那么就停止消费
if (emptyNum.get() > 12)
consumerRunning = false;
System.out.println("消费结束...");
try
clearTask();
catch (Exception e)
System.out.println(e.getCause());
finally
System.exit(-1);
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)
// 按行读取，并向队列写入数据
SplitData.splitLine(line);
if (count % 100 == 0)
System.out.println("读取100行,总耗时间: " + (System.currentTimeMillis() - start) / 1000 + " s");
try
Thread.sleep(1000L);
System.gc();
catch (InterruptedException e)
e.printStackTrace();
count++;
br.close();
private static void clearTask()
// 清理，同时找出出现字符最大的数
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("数量最多的年龄为:" + targetKey + "数量为：" + targetValue);
System.exit(-1);
/**
* 使用linkedBlockQueue
*
* @throws FileNotFoundException
* @throws UnsupportedEncodingException
*/
private static void startConsumer() throws FileNotFoundException, UnsupportedEncodingException
//如果共用一个队列，那么线程不宜过多，容易出现抢占现象
System.out.println("开始消费...");
for (int i = 0; i < threadNums; i++)
final int index = i;
// 每一个线程负责一个queue，这样不会出现线程抢占队列的情况。
new Thread(() ->
while (consumerRunning)
startConsumer = true;
try
String str = blockQueueLists.get(index).take();
countNum(str);
catch (InterruptedException e)
e.printStackTrace();
).start();
// 按照arr的大小，运用多线程分割字符串
private static void countNum(String str)
int[] arr = new int[2];
arr[1] = str.length() / 3;
// System.out.println("分割的字符串为start位置为:" + arr[0] + ",end位置为:" + arr[1]);
for (int i = 0; i < 3; i++)
final String innerStr = SplitData.splitStr(str, arr);
// System.out.println("分割的字符串为start位置为:" + arr[0] + ",end位置为:" + arr[1]);
new Thread(() ->
String[] strArray = innerStr.split(",");
for (String s : strArray)
countMap.computeIfAbsent(s, s1 -> new AtomicInteger(0)).getAndIncrement();
).start();
/**
* 后台线程去消费map里数据写入到各个文件里, 如果不消费，那么会将内存程爆
*/
private static void startConsumer0() throws FileNotFoundException, UnsupportedEncodingException
for (int i = start; i <= end; i++)
final int index = i;
BufferedWriter bw = new BufferedWriter(new OutputStreamWriter(new FileOutputStream(dir + "\\" + i + ".dat", false), "utf-8"));
new Thread(() ->
int miss = 0;
int countIndex = 0;
while (true)
// 每隔100万打印一次
int count = countMap.get(index).get();
if (count > 1000000 * countIndex)
System.out.println(index + "岁年龄的个数为:" + countMap.get(index).get());
countIndex += 1;
if (miss > 1000)
// 终止线程
try
Thread.currentThread().interrupt();
bw.close();
catch (IOException e)
if (Thread.currentThread().isInterrupted())
break;
Vector<String> lines = valueMap.computeIfAbsent(index, vector -> new Vector<>());
// 写入到文件里
try
if (CollectionUtil.isEmpty(lines))
miss++;
Thread.sleep(1000);
else
// 100个一批
if (lines.size() < 1000)
Thread.sleep(1000);
continue;
// 1000个的时候开始处理
ReentrantLock lock = lockMap.computeIfAbsent(index, lockIndex -> new ReentrantLock());
lock.lock();
try
Iterator<String> iterator = lines.iterator();
StringBuilder sb = new StringBuilder();
while (iterator.hasNext())
sb.append(iterator.next());
countMap.get(index).addAndGet(1);
try
bw.write(sb.toString());
bw.flush();
catch (IOException e)
e.printStackTrace();
// 清除掉vector
valueMap.put(index, new Vector<>());
finally
lock.unlock();
catch (InterruptedException e)
).start();
测试结果：
内存和 CPU 初始占用大小：
启动后，运行时稳定在 11.7，CPU 稳定利用在 90% 以上。
总耗时由 180S 缩减到 103S，效率提升 75%，得到的结果也与单线程处理的一致！
遇到的问题
如果在运行了的时候，发现 GC 突然罢工了，开始不工作了，有可能是 JVM 的堆中存在的垃圾太多，没回收导致内存的突增。
解决方法：在读取一定数量后，可以让主线程暂停几秒，手动调用 GC。
提示：本 demo 的线程创建都是手动创建的，实际开发中使用的是线程池！
· END ·
热门推荐：
PS：如果觉得我的分享不错，欢迎大家随手点赞、转发、在看。以上是关于如何用JAVA几分钟处理完30亿个数据?的主要内容，如果未能解决你的问题，请参考以下文章