Java高效地分割文本文件的方法技巧

更新时间：2025年05月13日 08:29:57 作者：提前退休的java猿

这篇文章介绍了Java中零拷贝技术的原理和应用,通过比较传统方法和零拷贝方法的性能,展示了如何使用FileChannel的transferTo方法高效地分割大型文本文件,特别是在保持行完整性的同时,显著提高了处理速度,需要的朋友可以参考下

前言

之前听到零拷贝的技术，都感觉好高深好遥远呀🥸

都是看什么什么框架用了零拷贝技术，比如netty就使用零拷贝技术。

看到一篇文章让我对接零拷贝技术去魅了，原来我也可以再工作中去使用零拷贝技术，今天把这篇文章分享给大家

低效常用示例

当我们面临将文本文件分成最大大小块的时，我们可能会尝试编写如下代码:

    private static final long maxFileSizeBytes = 10 * 1024 * 1024; // 默认10MB


    public void split(Path inputFile, Path outputDir) throws IOException {
        if (!Files.exists(inputFile)) {
            throw new IOException("输入文件不存在: " + inputFile);
        }
        if (Files.size(inputFile) == 0) {
            throw new IOException("输入文件为空: " + inputFile);
        }

        Files.createDirectories(outputDir);

        try (BufferedReader reader = Files.newBufferedReader(inputFile)) {
            int fileIndex = 0;
            long currentSize = 0;
            BufferedWriter writer = null;
            try {
                writer = newWriter(outputDir, fileIndex++);

                String line;
                while ((line = reader.readLine()) != null) {
                byte[] lineBytes = (line + System.lineSeparator()).getBytes();
                if (currentSize + lineBytes.length > maxFileSizeBytes) {
                    if (writer != null) {
                        writer.close();
                    }
                    writer = newWriter(outputDir, fileIndex++);
                    currentSize = 0;
                }
                writer.write(line);
                writer.newLine();
                currentSize += lineBytes.length;
                }
            } finally {
                if (writer != null) {
                    writer.close();
                }
            }
        }
    }

    private BufferedWriter newWriter(Path dir, int index) throws IOException {
        Path filePath = dir.resolve("part_" + index + ".txt");
        return Files.newBufferedWriter(filePath);
    }

效率分析

此代码在技术上是可以的，但是将大文件拆分为多个块的效率非常低。

它执行许多堆分配（行），导致创建和丢弃大量临时对象（字符串、字节数组）。
还有一个不太明显的问题，它将数据复制到多个缓冲区，并在用户和内核模式之间执行上下文切换。

具体如下：

BufferedReader: BufferedReader 的 BufferedReader 中：

在底层 FileReader 或 InputStreamReader 上调用 read()
数据从内核空间→用户空间缓冲区复制。
然后解析为 Java 字符串（堆分配）。

getBytes() : getBytes（） 的

将 String 转换为新的 byte[] 更多的堆分配。

BufferedWriter: BufferedWriter 的 BufferedWriter 中：

从用户空间获取 byte/char 数据。
调用 write()这又涉及将用户空间复制到内核空间。
最终刷新到磁盘。

因此，数据在内核和用户空间之间来回移动多次，并产生额外的堆改动。除了垃圾收集压力外，它还具有以下后果：

内存带宽浪费在缓冲区之间进行复制。
磁盘到磁盘传输的 CPU 利用率较高。
操作系统本可直接处理批量拷贝（通过DMA或优化I/O），但Java代码通过引入用户空间逻辑拦截了这种高效性。

高效处理方案

那么，我们如何避免上述问题呢？

答案是尽可能使用 zero copy，即尽可能避免离开 kernel 空间。这可以通过使用 FileChannel 方法 long transferTo(long position, long count, WritableByteChannel target) 在 java 中完成。它直接是磁盘到磁盘的传输，还会利用作系统的一些 IO 优化。

有问题就是所描述的方法对字节块进行作，可能会破坏行的完整性。为了解决这个问题，我们需要一种策略来确保即使通过移动字节段处理文件时，行也保持完整

没有上述的问题就很容易，只需为每个块调用 transferTo，将position递增为 position = position + maxFileSize，直到无法传输更多数据。

为了保持行的完整性，我们需要确定每个字节块中最后一个完整行的结尾。为此，我们首先查找 chunk 的预期末尾，然后向后扫描以找到前面的换行符。这将为我们提供 chunk 的准确字节计数，确保包含最后的、不间断的行。这将是执行缓冲区分配和复制的代码的唯一部分，并且由于这些作应该最小，因此预计性能影响可以忽略不计。

private static final int LINE_ENDING_SEARCH_WINDOW = 8 * 1024;

private long maxSizePerFileInBytes;
private Path outputDirectory;
private Path tempDir;

private void split(Path fileToSplit) throws IOException {
    try (RandomAccessFile raf = new RandomAccessFile(fileToSplit.toFile(), "r");
            FileChannel inputChannel = raf.getChannel()) {

        long fileSize = raf.length();
        long position = 0;
        int fileCounter = 1;

        while (position < fileSize) {
            // Calculate end position (try to get close to max size)
            long targetEndPosition = Math.min(position + maxSizePerFileInBytes, fileSize);

            // If we're not at the end of the file, find the last line ending before max size
            long endPosition = targetEndPosition;
            if (endPosition < fileSize) {
                endPosition = findLastLineEndBeforePosition(raf, position, targetEndPosition);
            }

            long chunkSize = endPosition - position;
            var outputFilePath = tempDir.resolve("_part" + fileCounter);
            try (FileOutputStream fos = new FileOutputStream(outputFilePath.toFile());
                    FileChannel outputChannel = fos.getChannel()) {
                inputChannel.transferTo(position, chunkSize, outputChannel);
            }

            position = endPosition;
            fileCounter++;
        }

    }
}

private long findLastLineEndBeforePosition(RandomAccessFile raf, long startPosition, long maxPosition)
        throws IOException {
    long originalPosition = raf.getFilePointer();

    try {
        int bufferSize = LINE_ENDING_SEARCH_WINDOW;
        long chunkSize = maxPosition - startPosition;

        if (chunkSize < bufferSize) {
            bufferSize = (int) chunkSize;
        }

        byte[] buffer = new byte[bufferSize];
        long searchPos = maxPosition;

        while (searchPos > startPosition) {
            long distanceToStart = searchPos - startPosition;
            int bytesToRead = (int) Math.min(bufferSize, distanceToStart);

            long readStartPos = searchPos - bytesToRead;
            raf.seek(readStartPos);

            int bytesRead = raf.read(buffer, 0, bytesToRead);
            if (bytesRead <= 0)
                break;

            // Search backwards through the buffer for newline
            for (int i = bytesRead - 1; i >= 0; i--) {
                if (buffer[i] == '\n') {
                    return readStartPos + i + 1;
                }
            }

            searchPos -= bytesRead;
        }

        throw new IllegalArgumentException(
                "File " + fileToSplit + " cannot be split. No newline found within the limits.");
    } finally {
        raf.seek(originalPosition);
    }
}

findLastLineEndBeforePosition 方法具有某些限制。具体来说，它仅适用于类 Unix 系统（\n），非常长的行可能会导致大量向后读取迭代，并且包含超过 maxSizePerFileInBytes 的行的文件无法拆分。但是，它非常适合拆分访问日志文件等场景，这些场景通常具有短行和大量条目。

性能分析

理论上，我们zero copy拆分文件应该【常用方式】更快，现在是时候衡量它能有多快了。为此，我为这两个实现运行了一些基准测试，这些是结果。

Benchmark                                                    Mode  Cnt           Score      Error   Units
FileSplitterBenchmark.splitFile                              avgt   15        1179.429 ±   54.271   ms/op
FileSplitterBenchmark.splitFile:·gc.alloc.rate               avgt   15        1349.613 ±   60.903  MB/sec
FileSplitterBenchmark.splitFile:·gc.alloc.rate.norm          avgt   15  1694927403.481 ± 6060.581    B/op
FileSplitterBenchmark.splitFile:·gc.count                    avgt   15         718.000             counts
FileSplitterBenchmark.splitFile:·gc.time                     avgt   15         317.000                 ms
FileSplitterBenchmark.splitFileZeroCopy                      avgt   15          77.352 ±    1.339   ms/op
FileSplitterBenchmark.splitFileZeroCopy:·gc.alloc.rate       avgt   15          23.759 ±    0.465  MB/sec
FileSplitterBenchmark.splitFileZeroCopy:·gc.alloc.rate.norm  avgt   15     2555608.877 ± 8644.153    B/op
FileSplitterBenchmark.splitFileZeroCopy:·gc.count            avgt   15          10.000             counts
FileSplitterBenchmark.splitFileZeroCopy:·gc.time             avgt   15           5.000                 ms

以下是用于上述结果的基准测试代码和文件大小（200+MB）。

int maxSizePerFileInBytes = 1024 * 1024 // 1 MB chunks

public void setup() throws Exception {
    inputFile = Paths.get("/tmp/large_input.txt");
    outputDir = Paths.get("/tmp/split_output");
    // Create a large file for benchmarking if it doesn't exist
    if (!Files.exists(inputFile)) {
        try (BufferedWriter writer = Files.newBufferedWriter(inputFile)) {
            for (int i = 0; i < 10_000_000; i++) {
                writer.write("This is line number " + i);
                writer.newLine();
            }
        }
    }
}

public void splitFile() throws Exception {
    splitter.split(inputFile, outputDir);
}

public void splitFileZeroCopy() throws Exception {
    zeroCopySplitter.split(inputFile);
}

zeroCopy表现出相当大的加速，仅用了 77 毫秒，而对于这种特定情况，【常用方式】需要 1179 毫秒。在处理大量数据或许多文件时，这种性能优势可能至关重要。

结论

高效拆分大型文本文件需要系统级性能考虑，而不仅仅是逻辑。虽然基本方法突出了内存作过多的问题，但重新设计的解决方案利用零拷贝技术并保持行完整性，可以显著提高性能。

这证明了系统感知编程和理解 I/O 机制在创建更快、更节省资源的工具来处理大型文本数据（如日志或数据集）方面的影响。

以上就是Java高效地分割文本文件的方法技巧的详细内容，更多关于Java分割文本文件的资料请关注脚本之家其它相关文章！

您可能感兴趣的文章:

在maven工程里运行java main方法
这篇文章主要介绍了在maven工程里运行java main方法,需要的朋友可以参考下
2014-04-04
JUnit单元测试入门必看篇
下面小编就为大家分享一篇JUnit单元测试入门必看篇，对新手而言有很好的参考价值，希望对大家有所帮助
2017-11-11
MyBatis-Plus实用篇超完整教程
MyBatis-Plus是一个MyBatis的增强工具,提供了许多便捷的功能,简化了开发流程,同时,MyBatis-Plus提供了链式查询与修改、静态工具类、自定义SQL、IPage的泛型转换、ActiveRecord等扩展功能,以及分页插件和MyBatisX插件等插件,进一步提高了开发效率,感兴趣的朋友一起看看吧
2025-02-02
剑指Offer之Java算法习题精讲N叉树的遍历及数组与字符串
跟着思路走，之后从简单题入手，反复去看，做过之后可能会忘记，之后再做一次，记不住就反复做，反复寻求思路和规律，慢慢积累就会发现质的变化
2022-03-03
Java实现PDF转为线性PDF详解
线性化PDF文件是PDF文件的一种特殊格式，可以通过Internet更快地进行查看。本文将通过后端Java程序实现将PDF文件转为线性化PDF。感兴趣的可以了解一下
2021-12-12
Java9的一些新特性介绍
这篇文章主要介绍了Java9的一些新特性介绍,Java随着其开源的特点和甲骨文的推动正在不断改进中,需要的朋友可以参考下
2015-07-07
SpringBoot项目部署到腾讯云的实现步骤
本文主要介绍了SpringBoot项目部署到腾讯云的实现步骤，文中通过示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
2022-01-01
ConcurrentMap.putIfAbsent(key,value)用法实例
这篇文章主要介绍了ConcurrentMap.putIfAbsent(key,value)用法实例，分享了相关代码示例，小编觉得还是挺不错的，具有一定借鉴价值，需要的朋友可以参考下
2018-02-02
Java多线程教程之如何利用Future实现携带结果的任务
Callable与Future两功能是Java 5版本中加入的,这篇文章主要给大家介绍了关于Java多线程教程之如何利用Future实现携带结果任务的相关资料,需要的朋友可以参考下
2021-12-12
详解Spring AOP 拦截器的基本实现
本篇文章主要介绍了详解Spring AOP 拦截器的基本实现，小编觉得挺不错的，现在分享给大家，也给大家做个参考。一起跟随小编过来看看吧
2017-03-03