在 Node.js 中解析巨大的日志文件 - 逐行读取

Posted

技术标签:

【中文标题】在 Node.js 中解析巨大的日志文件 - 逐行读取【英文标题】:Parsing huge logfiles in Node.js - read in line-by-line 【发布时间】:2013-04-07 07:34:34 【问题描述】:

我需要对 javascript/Node.js 中的大型(5-10 Gb)日志文件进行一些解析(我正在使用 Cube)。

日志如下所示:

10:00:43.343423 I'm a friendly log message. There are 5 cats, and 7 dogs. We are in state "SUCCESS".

我们需要读取每一行,做一些解析(例如去除57SUCCESS),然后使用他们的JS客户端将这些数据泵入Cube(https://github.com/square/cube)。

首先,Node 中逐行读取文件的规范方式是什么?

这似乎是网上相当普遍的问题:

http://www.quora.com/What-is-the-best-way-to-read-a-file-line-by-line-in-node-js Read a file one line at a time in node.js?

很多答案似乎都指向一堆第三方模块:

https://github.com/nickewing/line-reader https://github.com/jahewson/node-byline https://github.com/pkrumins/node-lazy https://github.com/Gagle/Node-BufferedReader

但是,这似乎是一项相当基本的任务 - 当然,在 stdlib 中有一种简单的方法可以逐行读取文本文件?

其次,我需要处理每一行(例如,将时间戳转换为 Date 对象,并提取有用的字段)。

如何做到这一点,最大限度地提高吞吐量?是否有某种方式不会阻止读取每一行或将其发送到 Cube?

第三 - 我猜想使用字符串拆分,JS 等价于 contains (IndexOf != -1?) 会比正则表达式快很多?有没有人在 Node.js 中解析大量文本数据方面有丰富的经验?

干杯, 维克多

【问题讨论】:

我在节点中构建了一个日志解析器,它接收一堆内置“捕获”的正则表达式字符串并输出到 JSON。如果您想进行计算,您甚至可以在每次捕获时调用函数。它可能会做你想做的事:npmjs.org/package/logax 更好的比较betterprogramming.pub/… 【参考方案1】:

我搜索了一种使用流逐行解析超大文件 (gbs) 的解决方案。所有第三方库和示例都不适合我的需要,因为它们不是逐行处理文件(如 1 、 2 、 3 、 4 ..)或将整个文件读入内存

以下解决方案可以使用流和管道逐行解析非常大的文件。为了测试,我使用了一个包含 17.000.000 条记录的 2.1 gb 文件。 Ram 使用量不超过 60 mb。

首先,安装event-stream 包:

npm install event-stream

然后:

var fs = require('fs')
    , es = require('event-stream');

var lineNr = 0;

var s = fs.createReadStream('very-large-file.csv')
    .pipe(es.split())
    .pipe(es.mapSync(function(line)

        // pause the readstream
        s.pause();

        lineNr += 1;

        // process line here and call s.resume() when rdy
        // function below was for logging memory usage
        logMemoryUsage(lineNr);

        // resume the readstream, possibly from a callback
        s.resume();
    )
    .on('error', function(err)
        console.log('Error while reading file.', err);
    )
    .on('end', function()
        console.log('Read entire file.')
    )
);

请告诉我进展如何!

【讨论】:

仅供参考,此代码不是同步的。它是异步的。如果在代码的最后一行之后插入console.log(lineNr),它将不会显示最终的行数,因为文件是异步读取的。 谢谢,这是我能找到的唯一解决方案,它实际上在应该暂停和恢复的时候。 Readline 没有。 很棒的例子,它确实暂停了。此外,如果您决定提前停止读取文件,您可以使用s.end(); 工作就像一个魅力。用它来索引 1.5 亿个文档到 elasticsearch 索引。 readline 模块很痛苦。它不会暂停,并且每次在 40-50 百万之后都会导致失败。浪费了一天。非常感谢您的回答。这个效果很好 事件流被入侵:medium.com/intrinsic/… 但 4+ 显然是安全的 blog.npmjs.org/post/180565383195/…【参考方案2】:

您可以使用内置的readline 包,请参阅文档here。我使用stream 创建一个新的输出流。

var fs = require('fs'),
    readline = require('readline'),
    stream = require('stream');

var instream = fs.createReadStream('/path/to/file');
var outstream = new stream;
outstream.readable = true;
outstream.writable = true;

var rl = readline.createInterface(
    input: instream,
    output: outstream,
    terminal: false
);

rl.on('line', function(line) 
    console.log(line);
    //Do your stuff ...
    //Then write to outstream
    rl.write(cubestuff);
);

处理大型文件需要一些时间。告诉它是否有效。

【讨论】:

如所写,倒数第二行失败,因为未定义立方体。 使用readline,是否可以暂停/恢复读取流以在“do stuff”区域执行异步操作? @jchook readline 在我尝试暂停/恢复时给了我很多问题。如果下游进程较慢,它不会正确暂停流,从而产生很多问题【参考方案3】:

我真的很喜欢@gerard 的答案,这实际上应该是这里的正确答案。我做了一些改进:

代码在一个类中(模块化) 包含解析 如果有异步作业被链接到读取 CSV(如插入 DB 或 HTTP 请求),则可以向外部提供恢复功能 以块/批量大小读取 用户可以声明。我也处理了流中的编码,以防万一 您有不同编码的文件。

代码如下:

'use strict'

const fs = require('fs'),
    util = require('util'),
    stream = require('stream'),
    es = require('event-stream'),
    parse = require("csv-parse"),
    iconv = require('iconv-lite');

class CSVReader 
  constructor(filename, batchSize, columns) 
    this.reader = fs.createReadStream(filename).pipe(iconv.decodeStream('utf8'))
    this.batchSize = batchSize || 1000
    this.lineNumber = 0
    this.data = []
    this.parseOptions = delimiter: '\t', columns: true, escape: '/', relax: true
  

  read(callback) 
    this.reader
      .pipe(es.split())
      .pipe(es.mapSync(line => 
        ++this.lineNumber

        parse(line, this.parseOptions, (err, d) => 
          this.data.push(d[0])
        )

        if (this.lineNumber % this.batchSize === 0) 
          callback(this.data)
        
      )
      .on('error', function()
          console.log('Error while reading file.')
      )
      .on('end', function()
          console.log('Read entirefile.')
      ))
  

  continue () 
    this.data = []
    this.reader.resume()
  


module.exports = CSVReader

所以基本上,这就是你将如何使用它:

let reader = CSVReader('path_to_file.csv')
reader.read(() => reader.continue())

我用一个 35GB 的 CSV 文件对此进行了测试,它对我有用,这就是为什么我选择在 @gerard 的答案上构建它,欢迎提供反馈。

【讨论】:

花了多少时间? 显然,这缺少pause() 调用,不是吗? 另外,这不会调用回调函数。因此,如果 batchSize 为 100,文件大小为 150,则只会处理 100 个项目。我错了吗?【参考方案4】:

我使用https://www.npmjs.com/package/line-by-line 从文本文件中读取超过 1 000 000 行。在这种情况下,占用的 RAM 容量约为 50-60 兆字节。

    const LineByLineReader = require('line-by-line'),
    lr = new LineByLineReader('big_file.txt');

    lr.on('error', function (err) 
         // 'err' contains error object
    );

    lr.on('line', function (line) 
        // pause emitting of lines...
        lr.pause();

        // ...do your asynchronous line processing..
        setTimeout(function () 
            // ...and continue emitting lines.
            lr.resume();
        , 100);
    );

    lr.on('end', function () 
         // All lines are read, file is closed now.
    );

【讨论】:

'line-by-line' 比所选答案更节省内存。对于 csv 中的 100 万行,所选答案的节点进程只有 800 兆字节。使用“逐行”,它始终处于 700 年代的低位。该模块还保持代码简洁易读。我总共需要阅读大约 1800 万篇文章,所以每 mb 都很重要! 很遗憾,它使用了自己的事件 'line' 而不是标准的 'chunk',这意味着你将无法使用 'pipe'。 经过数小时的测试和搜索,这是唯一真正停止在 lr.cancel() 方法上的解决方案。在 1ms 内读取 5Gig 文件的前 1000 行。太棒了!!!!【参考方案5】:

Node.js 文档提供了一个使用 Readline 模块的非常优雅的示例。

Example: Read File Stream Line-by-Line

const fs = require('fs');
const readline = require('readline');

const rl = readline.createInterface(
    input: fs.createReadStream('sample.txt'),
    crlfDelay: Infinity
);

rl.on('line', (line) => 
    console.log(`Line from file: $line`);
);

注意:我们使用 crlfDelay 选项将 CR LF ('\r\n') 的所有实例识别为单个换行符。

【讨论】:

就我而言,我想使用元素的innerhtml 在 HTML 中显示整个文本,但最后一行总是被截断,即使我的 css 中有overflow: auto。怎么了? 好的,我明白了。我必须使用比padding 参数更大的padding-bottom【参考方案6】:

除了逐行读取大文件外,还可以逐块读取。更多请参考this article

var offset = 0;
var chunkSize = 2048;
var chunkBuffer = new Buffer(chunkSize);
var fp = fs.openSync('filepath', 'r');
var bytesRead = 0;
while(bytesRead = fs.readSync(fp, chunkBuffer, 0, chunkSize, offset)) 
    offset += bytesRead;
    var str = chunkBuffer.slice(0, bytesRead).toString();
    var arr = str.split('\n');

    if(bytesRead = chunkSize) 
        // the last item of the arr may be not a full line, leave it to the next chunk
        offset -= arr.pop().length;
    
    lines.push(arr);

console.log(lines);

【讨论】:

会不会,以下应该是比较而不是赋值:if(bytesRead = chunkSize)?【参考方案7】:

我也遇到了同样的问题。对比了几个貌似有这个功能的模块,我决定自己做,比我想象的要简单。

要点:https://gist.github.com/deemstone/8279565

var fetchBlock = lineByline(filepath, onEnd);
fetchBlock(function(lines, start) ... );  //linesarray startint lines[0] No.

它涵盖了在闭包中打开的文件,返回的fetchBlock() 将从文件中获取一个块,结束拆分为数组(将处理上次获取的段)。

我已将每个读取操作的块大小设置为 1024。这个可能有bug,但是代码逻辑很明显,你自己试试吧。

【讨论】:

【参考方案8】:

node-byline 使用流,所以我更喜欢使用流来处理大文件。

对于您的日期转换,我将使用moment.js。

为了最大限度地提高吞吐量,您可以考虑使用软件集群。有一些不错的模块很好地包装了节点原生集群模块。我喜欢来自isaacs 的cluster-master。例如您可以创建一个由 x 个工作人员组成的集群,它们都计算一个文件。

对于拆分与正则表达式的基准测试,请使用benchmark.js。直到现在我还没有测试过它。 benchmark.js 可作为节点模块使用

【讨论】:

Note moment.js 现在由于严重的性能问题而失宠,即:其庞大的足迹,无法摇树,以及根深蒂固但现在广泛不喜欢的可变性。甚至its own devs 也几乎把它写下来了。一些不错的选择是date-fnsday.js;这是一篇更详细的文章:skypack.dev/blog/2021/02/the-best-javascript-date-libraries>【参考方案9】:

基于this 问题的答案,我实现了一个类,您可以使用该类与fs.readSync() 逐行同步读取文件。您可以使用Q 承诺来“暂停”和“恢复”(jQuery 似乎需要一个 DOM,因此无法使用nodejs 运行它):

var fs = require('fs');
var Q = require('q');

var lr = new LineReader(filenameToLoad);
lr.open();

var promise;
workOnLine = function () 
    var line = lr.readNextLine();
    promise = complexLineTransformation(line).then(
        function() console.log('ok');workOnLine();,
        function() console.log('error');
    );

workOnLine();

complexLineTransformation = function (line) 
    var deferred = Q.defer();
    // ... async call goes here, in callback: deferred.resolve('done ok'); or deferred.reject(new Error(error));
    return deferred.promise;


function LineReader (filename)       
  this.moreLinesAvailable = true;
  this.fd = undefined;
  this.bufferSize = 1024*1024;
  this.buffer = new Buffer(this.bufferSize);
  this.leftOver = '';

  this.read = undefined;
  this.idxStart = undefined;
  this.idx = undefined;

  this.lineNumber = 0;

  this._bundleOfLines = [];

  this.open = function() 
    this.fd = fs.openSync(filename, 'r');
  ;

  this.readNextLine = function () 
    if (this._bundleOfLines.length === 0) 
      this._readNextBundleOfLines();
    
    this.lineNumber++;
    var lineToReturn = this._bundleOfLines[0];
    this._bundleOfLines.splice(0, 1); // remove first element (pos, howmany)
    return lineToReturn;
  ;

  this.getLineNumber = function() 
    return this.lineNumber;
  ;

  this._readNextBundleOfLines = function() 
    var line = "";
    while ((this.read = fs.readSync(this.fd, this.buffer, 0, this.bufferSize, null)) !== 0)  // read next bytes until end of file
      this.leftOver += this.buffer.toString('utf8', 0, this.read); // append to leftOver
      this.idxStart = 0
      while ((this.idx = this.leftOver.indexOf("\n", this.idxStart)) !== -1)  // as long as there is a newline-char in leftOver
        line = this.leftOver.substring(this.idxStart, this.idx);
        this._bundleOfLines.push(line);        
        this.idxStart = this.idx + 1;
      
      this.leftOver = this.leftOver.substring(this.idxStart);
      if (line !== "") 
        break;
      
    
  ; 

【讨论】:

【参考方案10】:

读取/写入文件使用带有本机 nodejs 模块(fs、readline)的流:

const fs = require('fs');
const readline = require('readline');

const rl = readline.createInterface(
                                       input:  fs.createReadStream('input.json'),
                                       output: fs.createWriteStream('output.json')
                                    );

rl.on('line', function(line) 
    console.log(line);

    // Do any 'line' processing if you want and then write to the output file
    this.output.write(`$line\n`);
);

rl.on('close', function() 
    console.log(`Created "$this.output.path"`);
);

【讨论】:

【参考方案11】:
import * as csv from 'fast-csv';
import * as fs from 'fs';
interface Row 
  [s: string]: string;

type RowCallBack = (data: Row, index: number) => object;
export class CSVReader 
  protected file: string;
  protected csvOptions = 
    delimiter: ',',
    headers: true,
    ignoreEmpty: true,
    trim: true
  ;
  constructor(file: string, csvOptions = ) 
    if (!fs.existsSync(file)) 
      throw new Error(`File $file not found.`);
    
    this.file = file;
    this.csvOptions = Object.assign(, this.csvOptions, csvOptions);
  
  public read(callback: RowCallBack): Promise < Array < object >> 
    return new Promise < Array < object >> (resolve => 
      const readStream = fs.createReadStream(this.file);
      const results: Array < any > = [];
      let index = 0;
      const csvStream = csv.parse(this.csvOptions).on('data', async (data: Row) => 
        index++;
        results.push(await callback(data, index));
      ).on('error', (err: Error) => 
        console.error(err.message);
        throw err;
      ).on('end', () => 
        resolve(results);
      );
      readStream.pipe(csvStream);
    );
  

import  CSVReader  from '../src/helpers/CSVReader';
(async () => 
  const reader = new CSVReader('./database/migrations/csv/users.csv');
  const users = await reader.read(async data => 
    return 
      username: data.username,
      name: data.name,
      email: data.email,
      cellPhone: data.cell_phone,
      homePhone: data.home_phone,
      roleId: data.role_id,
      description: data.description,
      state: data.state,
    ;
  );
  console.log(users);
)();

【讨论】:

【参考方案12】:

我制作了一个节点模块来异步读取大文件文本或 JSON。 在大文件上测试。

var fs = require('fs')
, util = require('util')
, stream = require('stream')
, es = require('event-stream');

module.exports = FileReader;

function FileReader()



FileReader.prototype.read = function(pathToFile, callback)
    var returnTxt = '';
    var s = fs.createReadStream(pathToFile)
    .pipe(es.split())
    .pipe(es.mapSync(function(line)

        // pause the readstream
        s.pause();

        //console.log('reading line: '+line);
        returnTxt += line;        

        // resume the readstream, possibly from a callback
        s.resume();
    )
    .on('error', function()
        console.log('Error while reading file.');
    )
    .on('end', function()
        console.log('Read entire file.');
        callback(returnTxt);
    )
);
;

FileReader.prototype.readJSON = function(pathToFile, callback)
    try
        this.read(pathToFile, function(txt)callback(JSON.parse(txt)););
    
    catch(err)
        throw new Error('json file is not valid! '+err.stack);
    
;

只需将文件保存为 file-reader.js,然后像这样使用它:

var FileReader = require('./file-reader');
var fileReader = new FileReader();
fileReader.readJSON(__dirname + '/largeFile.json', function(jsonObj)/*callback logic here*/);

【讨论】:

我看起来像是从 Gerard 的回答中复制的。您应该将您复制的部分归功于 Gerard。

以上是关于在 Node.js 中解析巨大的日志文件 - 逐行读取的主要内容,如果未能解决你的问题,请参考以下文章

如何在 Node.js 流回调中聚合从异步函数生成的 Promise?

Node.js具体解析

Node.JS 服务器逐字符而不是逐行接收数据

c_cpp 逐行读取一个巨大的文件

在 Node.js 中解析大型 XML 文件

在 Node.JS 中解析 Microsoft Office 文件