如何在多线程模式下读取文件？

Question

我目前有一个程序在单线程模式下读取文件（非常大）并创建搜索索引，但在单线程环境中索引需要很长时间。

现在我试图让它在多线程模式下工作，但不确定实现它的最佳方法。

我的主程序创建一个缓冲的读取器并将实例传递给线程，线程使用缓冲的读取器实例来读取文件。

我不认为这可以按预期工作，而是每个线程一次又一次地读同一行。

有没有办法让线程只读取其他线程无法读取的行？ 我需要拆分文件吗？ 有没有办法在不拆分文件的情况下实现这个？

样本主程序：

import java.io.BufferedReader;
import java.io.FileNotFoundException;
import java.io.FileReader;
import java.util.ArrayList;

public class TestMTFile {
    public static void main(String args[]) {
        BufferedReader reader = null;
        ArrayList<Thread> threads = new ArrayList<Thread>();
        try {
            reader = new BufferedReader(new FileReader(
                    "test.tsv"));
        } catch (FileNotFoundException e1) {
            e1.printStackTrace();
        }
        for (int i = 0; i <= 10; i++) {
            Runnable task = new ReadFileMT(reader);
            Thread worker = new Thread(task);
            // We can set the name of the thread
            worker.setName(String.valueOf(i));
            // Start the thread, never call method run() direct
            worker.start();
            // Remember the thread for later usage
            threads.add(worker);
        }

        int running = 0;
        int runner1 = 0;
        int runner2 = 0;
        do {
            running = 0;
            for (Thread thread : threads) {
                if (thread.isAlive()) {
                    runner1 = running++;
                }
            }
            if (runner2 != runner1) {
                runner2 = runner1;
                System.out.println("We have " + runner2 + " running threads. ");

            }
        } while (running > 0);

        if (running == 0) {
            System.out.println("Ended");
        }
    }
}

线：

import java.io.BufferedReader;
import java.io.IOException;

public class ReadFileMT implements Runnable {
    BufferedReader bReader = null;

    ReadFileMT(BufferedReader reader) {
        this.bReader = reader;
    }

    public synchronized void run() {
        String line;
        try {
            while ((line = bReader.readLine()) != null) {

                try {
                    System.out.println(line);
                } catch (Exception e) {

                }
            }
        } catch (IOException e) {
            // TODO Auto-generated catch block
            e.printStackTrace();
        }
    }
}

Answer 1

您的瓶颈很可能是索引， 而不是文件读取。 假设你的索引系统支持多个线程，你可能想要一个生产者/消费者设置，其中一个线程读取文件并将每一行推入BlockingQueue（生产者），多个线程从BlockingQueue中拉出线并将它们推入索引（消费者）。

Answer 2

看到这个线程 - 如果你的文件都在同一个磁盘上，那么用一个线程读取它们就不会做得更好，尽管一旦你将它们读入主存储器就可以处理多个线程的文件。

Answer 3

如果您可以使用Java 8，则可以使用Streams API快速轻松地执行此操作。 将文件读入MappedByteBuffer，它可以非常快速地打开2GB的文件，然后读出缓冲区中的行（您需要确保您的JVM有足够的额外内存来保存文件）：

package com.objective.stream;

import java.io.BufferedReader;
import java.io.ByteArrayInputStream;
import java.io.FileInputStream;
import java.io.IOException;
import java.io.InputStreamReader;
import java.nio.MappedByteBuffer;
import java.nio.channels.FileChannel;
import java.nio.file.Path;
import java.nio.file.Paths;
import java.util.stream.Stream;

public class StreamsFileProcessor {
    private MappedByteBuffer buffer;

    public static void main(String[] args){
        if (args[0] != null){
            Path myFile = Paths.get(args[0]);
            StreamsFileProcessor proc = new StreamsFileProcessor();
            try {
                proc.process(myFile);
            } catch (IOException e) {
                e.printStackTrace();
            }   
        }
    }

    public void process(Path file) throws IOException {
        readFileIntoBuffer(file);
        getBufferStream().parallel()
            .forEach(this::doIndex);
    }

    private Stream<String> getBufferStream() throws IOException {
        try (BufferedReader reader = new BufferedReader(new InputStreamReader(new ByteArrayInputStream(buffer.array())))){
            return reader.lines();
        }
    }

    private void readFileIntoBuffer(Path file) throws IOException{
        try(FileInputStream fis = new FileInputStream(file.toFile())){
            FileChannel channel = fis.getChannel();
            buffer = channel.map(FileChannel.MapMode.PRIVATE, 0, channel.size());
        }
    }

    private void doIndex(String s){
        // Do whatever I need to do to index the line here
    }
}

Answer 4

首先，我同意@ Zim-Zam，它是文件IO，而不是索引，这可能是速率确定步骤。 （所以我不同意@jtahlborn）。 取决于索引的复杂程度。

其次，在你的代码中，每个线程都有自己独立的BufferedReader 。 因此他们都将读取整个文件。 一种可能的解决方法是使用它们共享的单个BufferedReader 。 然后你需要同步BufferedReader.readLine()方法（我认为），因为javadocs默认是否BufferedReader是线程安全的。 而且，由于我认为IO是botleneck，这将成为瓶颈，我怀疑多线程是否会让你获益匪浅。 但试一试，我偶尔也会错。 :-)

ps我同意@jtahlmorn认为生产者/消费者模式比我分享BufferedReader的想法更好，但这对你来说会更有用。