Java大文本並行計算實現過程解析

簡單提高文本讀取效率，使用BufferedReader是個不錯的選擇。速度最快的方法是MappedByteBuffer，但是，相比BufferedReader而言，效果不是非常明顯。也就是說，後者雖然快，但也快的有限（不要抱有性能提升幾倍的幻想）。

對於大文本的讀取，性能瓶頸主要在IO，read佔時間多是正常的，硬盤本身就不快，讀入內存後還要轉成對象，都比較耗時間。

想要提速應當用並行的辦法，用多線程同時讀取和處理數據，但Java寫多線程程序很麻煩，並行分段讀同一個文件時還要考慮調整邊界，也比較麻煩。

比如要這麼個場景：分組彙總每個客戶的銷售額，部分源數據如下：

  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  ...

期望的結果：

Java部分多線程代碼大概要寫成這樣：

  ...  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();  			...  		}  	}  }  ...

如果有集算器就簡單多了，它對Java的多線程進行了封裝，提供了對大文件分段並行的功能，寫起來容易多了，對人員要求也低。比如上面問題，2行就搞定了(集算器內置了並行選項@m，不設置並行數，默認按核數做為並行數)：

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

=A1.groups(O_CUSTKEY;sum(O_TOTALPRICE):AMOUNT)