Java 加速文件读取

我有一个1.7G文件，格式如下：

String Long String Long String Long String Long ... etc

本质上，String是一个键，Long是hashmap中的一个值，我感兴趣的是在运行应用程序中的任何其他内容之前初始化它

我目前的代码是：

  RandomAccessFile raf=new RandomAccessFile("/home/map.dat","r");
                raf.seek(0);
                while(raf.getFilePointer()!=raf.length()){
                        String name=raf.readUTF();
                        long offset=raf.readLong();
                        map.put(name,offset);
                }

这需要大约12分钟来完成，我相信有更好的方法来完成这一点，所以我将感谢任何帮助或指针

谢谢

---

按照EJP建议进行更新？

谢谢你的建议，我希望这就是你的意思。如果这是错误的，请纠正我

DataInputStream dis=null;
    try{
     dis=new DataInputStream(new BufferedInputStream(new FileInputStream("/home/map.dat")));
     while(true){
       String name=dis.readUTF();
       long offset=dis.readLong();
       map.put(name, offset);
     }
    }catch (EOFException eofe){
      try{
        dis.close();
      }catch (IOException ioe){
        ioe.printStackTrace();
      }
    }

使用围绕FileInputStream的BufferedInputStream包装的DataInputStream

与每次迭代至少四次系统调用、检查长度和当前大小并执行谁知道有多少次读取来获取字符串和long不同，只需调用readUTF（）和readLong（），直到获得EOFEException

---

我将构造该文件，以便在适当的位置使用它。i、 e.不以这种方式加载。由于您有可变长度的记录，您可以构造每个记录位置的数组，然后按顺序放置键，以便对数据执行二进制搜索。（或者您可以使用自定义哈希表）然后可以使用方法包装此文件，该方法隐藏数据实际上存储在文件中，而不是转换为数据对象

如果您执行所有这些操作，“加载”阶段将变得多余，您将不需要创建这么多对象

---

这是一个很长的例子，但希望能说明什么是可能的

import vanilla.java.chronicle.Chronicle;
import vanilla.java.chronicle.Excerpt;
import vanilla.java.chronicle.impl.IndexedChronicle;
import vanilla.java.chronicle.tools.ChronicleTest;

import java.io.IOException;
import java.util.*;

public class Main {
    static final String TMP = System.getProperty("java.io.tmpdir");

    public static void main(String... args) throws IOException {
        String baseName = TMP + "/test";
        String[] keys = generateAndSave(baseName, 100 * 1000 * 1000);

        long start = System.nanoTime();
        SavedSortedMap map = new SavedSortedMap(baseName);
        for (int i = 0; i < keys.length / 100; i++) {
            long l = map.lookup(keys[i]);
//            System.out.println(keys[i] + ": " + l);
        }
        map.close();
        long time = System.nanoTime() - start;

        System.out.printf("Load of %,d records and lookup of %,d keys took %.3f seconds%n",
                keys.length, keys.length / 100, time / 1e9);
    }

    static SortedMap<String, Long> generateMap(int keys) {
        SortedMap<String, Long> ret = new TreeMap<>();
        while (ret.size() < keys) {
            long n = ret.size();
            String key = Long.toString(n);
            while (key.length() < 9)
                key = '0' + key;
            ret.put(key, n);
        }
        return ret;
    }

    static void saveData(SortedMap<String, Long> map, String baseName) throws IOException {
        Chronicle chronicle = new IndexedChronicle(baseName);
        Excerpt excerpt = chronicle.createExcerpt();
        for (Map.Entry<String, Long> entry : map.entrySet()) {
            excerpt.startExcerpt(2 + entry.getKey().length() + 8);
            excerpt.writeUTF(entry.getKey());
            excerpt.writeLong(entry.getValue());
            excerpt.finish();
        }
        chronicle.close();
    }

    static class SavedSortedMap {
        final Chronicle chronicle;
        final Excerpt excerpt;
        final String midKey;
        final long size;

        SavedSortedMap(String baseName) throws IOException {
            chronicle = new IndexedChronicle(baseName);
            excerpt = chronicle.createExcerpt();
            size = chronicle.size();
            excerpt.index(size / 2);
            midKey = excerpt.readUTF();
        }

        // find exact match or take the value after.
        public long lookup(CharSequence key) {
            if (compareTo(key, midKey) < 0)
                return lookup0(0, size / 2, key);
            return lookup0(size / 2, size, key);
        }

        private final StringBuilder tmp = new StringBuilder();

        private long lookup0(long from, long to, CharSequence key) {
            long mid = (from + to) >>> 1;
            excerpt.index(mid);
            tmp.setLength(0);
            excerpt.readUTF(tmp);
            if (to - from <= 1)
                return excerpt.readLong();
            int cmp = compareTo(key, tmp);
            if (cmp < 0)
                return lookup0(from, mid, key);
            if (cmp > 0)
                return lookup0(mid, to, key);
            return excerpt.readLong();
        }

        public static int compareTo(CharSequence a, CharSequence b) {
            int lim = Math.min(a.length(), b.length());
            for (int k = 0; k < lim; k++) {
                char c1 = a.charAt(k);
                char c2 = b.charAt(k);
                if (c1 != c2)
                    return c1 - c2;
            }
            return a.length() - b.length();
        }

        public void close() {
            chronicle.close();
        }
    }

    private static String[] generateAndSave(String baseName, int keyCount) throws IOException {
        SortedMap<String, Long> map = generateMap(keyCount);
        saveData(map, baseName);
        ChronicleTest.deleteOnExit(baseName);

        String[] keys = map.keySet().toArray(new String[map.size()]);
        Collections.shuffle(Arrays.asList(keys));
        return keys;
    }
}

---

每次查找使用哈希表会更快，因为它是O（1）而不是O（ln），但实现起来更复杂。

您的评测结果如何？瓶颈究竟在哪里？1.7G键值对，为什么不使用数据库而不是文件？您想如何处理这些数据量？我有一种强烈的感觉，你可能使用了一种低效的方法来解决这个问题。@我不知道“一个连续的live”可能是什么，但他已经非常充分地指定了文件格式，无论是口头上还是通过他的代码。“live”=“line”我猜。+1这个加上一个内存映射文件应该会在初始时间提供性能的完美结合，和内存消耗。如果OP无法更改文件，则可以通过创建具有这种结构的索引文件来探索这种方法。@MarkoTopolnik我很难将其描述为“完美”。与OP现在所做的相比，内存、I/O和执行时间都要多得多。启动时间更短，是的。谢谢你，彼得。我实现了这一点，这次使用了固定大小的记录，将字符串转换为整数。@EJP它是1.7 GB，如果选择占用那么多堆而不是系统缓存，则系统缓存是更好、更具可扩展性的选项，尤其是在访问项的频率不尽相同的情况下。这样一个巨大的堆意味着你的主要GC将变成一个可怕的拖累。此外，将内存映射文件I/O计算为任何I/O都没有多大意义。感谢EJP提供您的答案和评论。我已经试过了，上传数据大约需要5分钟。我使用了DataInputStream，但我没有等待EOFExPetion，而是使用了可用的sys调用，这可能会减慢读取过程。@DotNet确实如此。您为每个迭代添加了一个系统调用。试试我的方法。按照我的方式，每8k数据只有一个系统调用。完全不同。在没有系统调用“可用”的情况下，总时间为4分22秒。谢谢again@DotNet它应该比这快得多：不到一分钟，包括绘制地图。听起来您没有按照建议使用

BufferedInputStream

。我的计时一致地显示了RandomAccessFile/DataInputStream/BufferedInputStream的成百上千的比率，这是对RAF版本的计时，以使其具有任何缓存的优点。我已经更新了问题，以包含您的建议。如果这不是你的意思，请告诉我。

ls -l /tmp/test*
-rw-rw---- 1 peter peter 2013265920 Dec 11 13:23 /tmp/test.data
-rw-rw---- 1 peter peter  805306368 Dec 11 13:23 /tmp/test.index

/tmp/test created.
/tmp/test, size=100000000
Load of 100,000,000 records and lookup of 1,000,000 keys took 10.945 seconds