使用mongoose将非常大的CSV保存到mongoDB

Question

我有一个包含超过200'000行的CSV文件。 我需要将它保存到MongoDB。

如果我尝试for循环，Node将耗尽内存。

fs.readFile('data.txt', function(err, data) {
  if (err) throw err;

  data.split('\n');

  for (var i = 0; i < data.length, i += 1) {
    var row = data[i].split(',');

    var obj = { /* The object to save */ }

    var entry = new Entry(obj);
    entry.save(function(err) {
      if (err) throw err;
    }
  } 
}

我怎样才能避免失去节制？

Answer 1

欢迎来到流媒体。 你真正想要的是一个“偶数流”，它可以处理你的输入“一次一个块”，当然理想情况下是一个常见的分隔符，例如你当前使用的“换行符”。

对于非常有效的东西，您可以添加MongoDB “Bulk API”插入的使用，以便尽可能快地加载，而不会占用所有机器内存或CPU周期。

不提倡，因为有各种可用的解决方案，但这里是一个利用行输入流包来使“线路终结器”部分简单的列表。

仅通过“示例”的模式定义：

var LineInputStream = require("line-input-stream"),
    fs = require("fs"),
    async = require("async"),
    mongoose = require("mongoose"),
    Schema = mongoose.Schema;

var entrySchema = new Schema({},{ strict: false })

var Entry = mongoose.model( "Schema", entrySchema );

var stream = LineInputStream(fs.createReadStream("data.txt",{ flags: "r" }));

stream.setDelimiter("\n");

mongoose.connection.on("open",function(err,conn) { 

    // lower level method, needs connection
    var bulk = Entry.collection.initializeOrderedBulkOp();
    var counter = 0;

    stream.on("error",function(err) {
        console.log(err); // or otherwise deal with it
    });

    stream.on("line",function(line) {

        async.series(
            [
                function(callback) {
                    var row = line.split(",");     // split the lines on delimiter
                    var obj = {};             
                    // other manipulation

                    bulk.insert(obj);  // Bulk is okay if you don't need schema
                                       // defaults. Or can just set them.

                    counter++;

                    if ( counter % 1000 == 0 ) {
                        stream.pause();
                        bulk.execute(function(err,result) {
                            if (err) callback(err);
                            // possibly do something with result
                            bulk = Entry.collection.initializeOrderedBulkOp();
                            stream.resume();
                            callback();
                        });
                    } else {
                        callback();
                    }
               }
           ],
           function (err) {
               // each iteration is done
           }
       );

    });

    stream.on("end",function() {

        if ( counter % 1000 != 0 )
            bulk.execute(function(err,result) {
                if (err) throw err;   // or something
                // maybe look at result
            });
    });

});

因此，通常“流”接口“断开输入”以便一次处理“一行”。 这会阻止您立即加载所有内容。

主要部分是MongoDB的“批量操作API” 。 这允许您在实际发送到服务器之前一次“排队”许多操作。 因此，在这种情况下使用“模数”，只能处理每1000个条目的写入。 你可以做任何高达16MB BSON限制的事情，但要保持可管理性。

除了批量处理的操作外，还有一个来自异步库的额外“限制器”。 它并不是真正需要的，但这确保了在任何时候基本上不超过文档的“模数限制”。 除了内存之外，一般批处理“插入”没有IO成本，但“执行”调用意味着IO正在处理。 所以我们等待而不是排队更多的东西。

对于“流处理”CSV类型数据，肯定会找到更好的解决方案。 但总的来说，这为您提供了如何以内存有效的方式执行此操作而不会占用CPU周期的概念。

Answer 2

接受的答案很好，并试图涵盖这个问题的所有重要方面。

1. 将CSV文件作为一行流读取
2. 将文档分批写入MongoDB
3. 读写同步

虽然它在前两个方面表现良好，但使用async.series（）解决同步问题的方法将无法按预期工作。

stream.on("line",function(line) {
    async.series(
        [
            function(callback) {
                var row = line.split(",");     // split the lines on delimiter
                var obj = {};             
                // other manipulation

                bulk.insert(obj);  // Bulk is okay if you don't need schema
                                   // defaults. Or can just set them.

                counter++;

                if ( counter % 1000 == 0 ) {
                    bulk.execute(function(err,result) {
                        if (err) throw err;   // or do something
                        // possibly do something with result
                        bulk = Entry.collection.initializeOrderedBulkOp();
                        callback();
                    });
                } else {
                    callback();
                }
           }
       ],
       function (err) {
           // each iteration is done
       }
   );
});

这里的bulk.execute（）是一个mongodb写操作，它是一个异步IO调用。 这允许node.js在使用db编写和回调完成bulk.execute（）之前继续执行事件循环。

因此，它可能继续从流中接收更多“行”事件并将更多文档bulk.insert(obj)队列bulk.insert(obj)并可以命中下一个模数以再次触发bulk.execute（）。

让我们来看看这个例子。

var async = require('async');

var bulk = {
    execute: function(callback) {
        setTimeout(callback, 1000);
    }
};

async.series(
    [
       function (callback) {
           bulk.execute(function() {
              console.log('completed bulk.execute');
              callback(); 
           });
       },
    ], 
    function(err) {

    }
);

console.log("!!! proceeding to read more from stream");

这是输出

!!! proceeding to read more from stream
completed bulk.execute

---

为了确保我们在任何给定时间处理一批N个文档，我们需要使用stream.pause() ＆ stream.resume()对文件流强制执行流控制。

var LineInputStream = require("line-input-stream"),
    fs = require("fs"),
    mongoose = require("mongoose"),
    Schema = mongoose.Schema;

var entrySchema = new Schema({},{ strict: false });
var Entry = mongoose.model( "Entry", entrySchema );

var stream = LineInputStream(fs.createReadStream("data.txt",{ flags: "r" }));

stream.setDelimiter("\n");

mongoose.connection.on("open",function(err,conn) { 

    // lower level method, needs connection
    var bulk = Entry.collection.initializeOrderedBulkOp();
    var counter = 0;

    stream.on("error",function(err) {
        console.log(err); // or otherwise deal with it
    });

    stream.on("line",function(line) {
        var row = line.split(",");     // split the lines on delimiter
        var obj = {};             
        // other manipulation

        bulk.insert(obj);  // Bulk is okay if you don't need schema
                           // defaults. Or can just set them.

        counter++;

        if ( counter % 1000 === 0 ) {
            stream.pause(); //lets stop reading from file until we finish writing this batch to db

            bulk.execute(function(err,result) {
                if (err) throw err;   // or do something
                // possibly do something with result
                bulk = Entry.collection.initializeOrderedBulkOp();

                stream.resume(); //continue to read from file
            });
        }
    });

    stream.on("end",function() {
        if ( counter % 1000 != 0 ) {
            bulk.execute(function(err,result) {
                if (err) throw err;   // or something
                // maybe look at result
            });
        }
    });

});