Java大文本并行计算实现过程解析

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)：

=file("/workspace/orders.txt").cursor@mt()

=a1.groups(o_custkey;sum(o_totalprice):amount)

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。