两行代码轻松让 Java 实现大文本并行计算

Posted 2020-12-07 xmilu

简单提高文本读取效率，使用BufferedReader是个不错的选择。速度最快的方法是MappedByteBuffer，但是，相比BufferedReader而言，效果不是非常明显。也就是说，后者虽然快，但也快的有限（不要抱有性能提升几倍的幻想）。

对于大文本的读取，性能瓶颈主要在IO，read占时间多是正常的，硬盘本身就不快，读入内存后还要转成对象，都比较耗时间。

想要提速应当用并行的办法，用多线程同时读取和处理数据，但Java写多线程程序很麻烦，并行分段读同一个文件时还要考虑调整边界，也比较麻烦。

比如要这么个场景：分组汇总每个客户的销售额，部分源数据如下：

O_ORDERKEY       O_CUSTKEY        O_ORDERDATE        O_TOTALPRICE 10262   RATTC   1996-07-22       14487.0 10263   ERNSH   1996-07-23       43818.0 10264   FOLKO   2007-07-24       1101.0 10265   BLONP   1996-07-25       5528.0 10266   WARTH   1996-07-26       7719.0 10267   FRANK   1996-07-29       20858.0 10268   GROSR   1996-07-30       19887.0 10269   WHITC   1996-07-31       456.0 10270   WARTH   1996-08-01       13654.0 ...

期望的结果：

 

Java部分多线程代码大概要写成这样：

... final int DOWN_THREAD_NUM = 8; CountDownLatch doneSignal = new CountDownLatch(DOWN_THREAD_NUM);  RandomAccessFile[] outArr = new RandomAccessFile[DOWN_THREAD_NUM];  try{      long length = new File(OUT_FILE_NAME).length();      long numPerThred = length / DOWN_THREAD_NUM;        long left = length % DOWN_THREAD_NUM;      for (int i = 0; i < DOWN_THREAD_NUM; i++) {            outArr[i] = new RandomAccessFile(OUT_FILE_NAME, "rw");            ...                                         if (i == DOWN_THREAD_NUM - 1) {                new ReadThread(i * numPerThred, (i + 1) * numPerThred + left, outArr[i],keywords,doneSignal).start();             ...          } else {             new ReadThread(i * numPerThred, (i + 1) * numPerThred,outArr[i],keywords,doneSignal).start();             ...         }     } } ...

如果有集算器就简单多了，它对Java的多线程进行了封装，提供了对大文件分段并行的功能，写起来容易多了，对人员要求也低。比如上面问题，2行就搞定了(集算器内置了并行选项@m，不设置并行数，默认按核数做为并行数)：

	A
1	=file("/workspace/orders.txt").cursor@mt()
2	=A1.groups(O_CUSTKEY;sum(O_TOTALPRICE):AMOUNT)

其实还有很多情况用Java并行处理大文本很麻烦，甚至大文本分组、排序、关联计算等需求，但用集算器SPL却很简单，感兴趣可以参考：

SPL结构化文本计算

结构化文本计算示例（一）

结构化文本计算示例（二）

集算器还很容易嵌入到Java应用程序中，Java如何调用SPL脚本有使用和获得它的方法。

关于集算器安装使用、获得免费授权和相关技术资料，可以参见如何使用集算器。