在 Node.js 中处理大型 CSV 上传

Question

根据这里的先前线程：

节点异步循环 - 如何使此代码按顺序运行？

...我正在寻找有关处理大型数据上传文件的更广泛的建议。

设想：

用户上传了一个非常大的 CSV 文件，其中包含数十万到数百万行。 它使用 multer 流式传输到端点：

const storage = multer.memoryStorage();
const upload = multer({ storage: storage });

router.post("/", upload.single("upload"), (req, res) => {
    //...
});

每一行都被转换成一个 JSON 对象。 然后将该对象映射到几个较小的对象中，这些对象需要插入到几个不同的表中，分布在各种微服务容器中并由其访问。

async.forEachOfSeries(data, (line, key, callback) => {
    let model = splitData(line);
    //save model.record1, model.record2, etc. sequentially
});

很明显，使用这种方法我会遇到内存限制。 这样做的最有效方式是什么？

Answer 1

为了避免内存问题，您需要使用流处理文件 - 简单地说，增量。 您不是将整个文件加载到内存中，而是读取每一行，它会得到相应的处理，然后在符合垃圾收集条件后立即进行处理。

在 Node 中，您可以结合使用CSV 流解析器以将二进制内容流式传输为 CSV 行和through2 （一种允许您控制流的流的流实用程序）来完成此操作； 在这种情况下，暂时暂停它以允许将行保存在数据库中。

过程

该过程如下：

• 您获取数据流
• 您通过 CSV 解析器传输它
• 你通过一个 through2 管道它
• 您将每一行保存在数据库中
• 完成保存后，调用cb()移至下一项。

我不熟悉multer但这里有一个使用来自文件的流的示例。

const fs = require('fs')
const csv = require('csv-stream')
const through2 = require('through2')

const stream = fs.createReadStream('foo.csv')
  .pipe(csv.createStream({
      endLine : '\n',
      columns : ['Year', 'Make', 'Model'],
      escapeChar : '"',
      enclosedChar : '"'
  }))
  .pipe(through2({ objectMode: true }, (row, enc, cb) => {
    // - `row` holds the first row of the CSV,
    //   as: `{ Year: '1997', Make: 'Ford', Model: 'E350' }`
    // - The stream won't process the *next* item unless you call the callback
    //  `cb` on it.
    // - This allows us to save the row in our database/microservice and when
    //   we're done, we call `cb()` to move on to the *next* row.
    saveIntoDatabase(row).then(() => {
      cb(null, true)
    })
    .catch(err => {
      cb(err, null)
    })
  }))
  .on('data', data => {
    console.log('saved a row')
  })
  .on('end', () => {
    console.log('end')
  })
  .on('error', err => {
    console.error(err)
  })

// Mock function that emulates saving the row into a database,
// asynchronously in ~500 ms
const saveIntoDatabase = row =>
  new Promise((resolve, reject) =>
    setTimeout(() => resolve(), 500))

示例foo.csv CSV 是这样的：

1997,Ford,E350
2000,Mercury,Cougar
1998,Ford,Focus
2005,Jaguar,XKR
1991,Yugo,LLS
2006,Mercedes,SLK
2009,Porsche,Boxter
2001,Dodge,Viper

为什么？

这种方法避免了必须在内存中加载整个 CSV。 一旦处理了row ，它就会超出范围/变得无法访问，因此它有资格进行垃圾收集。 这就是使这种方法如此有效的内存的原因。 理论上，这允许您处理无限大小的文件。 阅读流手册了解更多关于流的信息。

一些技巧

• 您可能希望每个周期保存/处理超过 1 行（以相同大小的块）。 在这种情况下，将一些row s 推入一个 Array，处理/保存整个 Array（块），然后调用cb移动到下一个块 - 重复该过程。
• 流发出您可以监听的事件。 end / error事件对于响应操作是成功还是失败特别有用。
• Express 默认使用流 - 我几乎可以肯定您根本不需要multer 。

Answer 2

大型 .csv 数据解析和导入

我使用上面的模型将一个 1.7mm x 200 的 csv 数据矩阵导入到 mongo 中，代码如下。 不可否认，这很慢，我可以在学习如何更好地分块数据以提高效率方面提供一些帮助，即不是在每次读取后插入，而是将行累积到 5,10,25k 行的数组中，然后 insertMany 或更好的熟练使用 through2-map 或 through2-filter 方法。 如果有人愿意分享一个例子，提前致谢。

require('dotenv').config();
const parse = require('csv-parser');
const fs = require("fs");
const through2 = require('through2')
const db = require('../models');

const file = "myFile.csv"
const rows = [];

//========Constructor Function for Mongo Import after each read======//
function Hotspot(variable1, variable2,...) {
this.variable1 = variable1;
this.variable2 = variable2;
...}

//========Counter so I can monitor progress in console============//
let counter = 0;
const rows = [];

//This function is imported & run in server.js from './scripts' after mongoose connection established//

exports.importCsvData = () => {
    fs.createReadStream(myFile)
        .pipe(parse())  
        .pipe(through2({ objectMode: true }, (row, enc, cb) => {
            let hotspot = new Hotspot(
                `${row["ROW_VARIABLE_COLUMN_1"]}`,
                `${row["ROW_VARIABLE_COLUMN_2"]}`,...)

     db.MongoModel.create(hotspot)
                .then(result => console.log('created', counter++))
                .then(() => { cb(null, true) })
                .catch(err => {
                    cb(err, null)
                })
        }))
        .on('data', (row) => {
            rows.push(row);
        })
        .on('end', () => {
            console.log('read complete')
        })
}

我使用了以下帖子和链接：

• https://github.com/rvagg/through2#readme
• https://nodesource.com/blog/understanding-object-streams
• https://dev.to/isalevine/parsing-csv-files-in-node-js-with-fs-createreadstream-and-csv-parser-koi
• https://dev.to/maheshkay/read-csv-file-using-node-js-29oc

作为编写此脚本的基础和参考。 似乎工作“很好”，除了我昨晚晚上 10 点开始的，到今天早上 7 点 45 分还不到一半。 这比我在尝试将所有“热点”对象累积到热点数组中以批量插入 mongoDB 后收到的"event": "Allocation failed - JavaScript heap out of memory"不足"event": "Allocation failed - JavaScript heap out of memory"错误要好。 我对 Node 中的 readStream/through2/csv-parser 和学习相当陌生，但想分享一些有效的东西，并且目前正在工作。