我用 Java 几分钟处理完 30亿个数据...

点击上方“芋道源码”，选择“设为星标”

管她前浪，还是后浪？

能浪的浪，才是好浪！

每天 10:33 更新文章，每天掉亿点点头发...

源码精品专栏

原创 | Java 2021 超神之路，很肝~
中文详细注释的开源项目
RPC 框架 Dubbo 源码解析
网络应用框架 Netty 源码解析
消息中间件 RocketMQ 源码解析
数据库中间件 Sharding-JDBC 和 MyCAT 源码解析
作业调度中间件 Elastic-Job 源码解析
分布式事务中间件 TCC-Transaction 源码解析
Eureka 和 Hystrix 源码解析
Java 并发源码

来源：c1n.cn/GM8hb

场景说明
模拟数据
场景分析
读取数据
处理数据
- 思路一：通过单线程处理
- 思路二：分治法
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,........

基于 Spring Boot + MyBatis Plus + Vue & Element 实现的后台管理系统 + 用户小程序，支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能

项目地址：https://gitee.com/zhijiantianya/ruoyi-vue-pro

视频教程：https://doc.iocoder.cn/video/

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4Mif (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。

基于 Spring Cloud Alibaba + Gateway + Nacos + RocketMQ + Vue & Element 实现的后台管理系统 + 用户小程序，支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能

项目地址：https://gitee.com/zhijiantianya/yudao-cloud

视频教程：https://doc.iocoder.cn/video/

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256for (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256for (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vectorvalueMap.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！

欢迎加入我的知识星球，一起探讨架构，交流源码。加入方式，长按下方二维码噢：

已在知识星球更新源码解析如下：

最近更新《芋道 SpringBoot 2.X 入门》系列，已经 101 余篇，覆盖了 MyBatis、Redis、MongoDB、ES、分库分表、读写分离、SpringMVC、Webflux、权限、WebSocket、Dubbo、RabbitMQ、RocketMQ、Kafka、性能测试等等内容。

提供近 3W 行代码的 SpringBoot 示例，以及超 4W 行代码的电商微服务项目。

获取方式：点“在看”，关注公众号并回复 666 领取，更多内容陆续奉上。

文章有帮助的话，在看，转发吧。
谢谢支持哟 (*^__^*）