上班第一天，老板就甩来30G文件是种什么体验... _线程

如果给你一个包含一亿行数据的超大文件，让你将数据转化导入生产数据库，你会如何操作？
上面的问题是接到的一个真实的业务需求，将一个老系统历史数据通过线下文件的方式迁移到新的生产系统。
由于时间紧，而数据量又超大，所以设计的过程想到一下解决办法：
拆分文件
首先我们可以写个小程序，或者使用拆分命令 split 将这个超大文件拆分一个个小文件。
-- 将一个大文件拆分成若干个小文件，每个文件 100000 行split -l 100000 largeFile.txt -d -a 4 smallFile_
【上班第一天，老板就甩来30G文件是种什么体验...】这里之所以选择先将大文件拆分，主要考虑到两个原因：
第一如果程序直接读取这个大文件，假设读取一半的时候，程序突然宕机，这样就会直接丢失文件读取的进度，又需要重新开头读取。
而文件拆分之后，一旦小文件读取结束，我们可以将小文件移动一个指定文件夹。
这样即使应用程序宕机重启，我们重新读取时，只需要读取剩余的文件。
第二，一个文件，只能被一个应用程序读取，这样就限制了导入的速度。
而文件拆分之后，我们可以采用多节点部署的方式，水平扩展。每个节点读取一部分文件，这样就可以成倍的加快导入速度。
多线程导入
当我们拆分完文件，接着我们就需要读取文件内容，进行导入。
之前拆分的时候，设置每个小文件包含 10w 行的数据。由于担心一下子将 10w 数据读取应用中，导致堆内存占用过高，引起频繁的「Full GC」，所以下面采用流式读取的方式，一行一行的读取数据。
当然了，如果拆分之后文件很小，或者说应用的堆内存设置很大，我们可以直接将文件加载到应用内存中处理。这样相对来说简单一点。
逐行读取的代码如下：
File file = ...try (LineIterator iterator = IOUtils.lineIterator(new FileInputStream(file), "UTF-8")) {while (iterator.hasNext()) {String line=iterator.nextLine();convertToDB(line);}}
上面代码使用 -io 中的类，这个类底层使用了读取文件内容。它将其封装成迭代器模式，这样我们可以很方便的迭代读取。
如果当前使用 JDK1.8，那么上述操作更加简单，我们可以直接使用 JDK 原生的类 Files将文件转成方式读取，代码如下：
Files.lines(Paths.get("文件路径"), Charset.defaultCharset()).forEach(line -> {convertToDB(line);});
其实仔细看下 Files#lines底层源码，其实原理跟上面的类似，同样也是封装成迭代器模式。
多线程的引入存在的问题
上述读取的代码写起来不难，但是存在效率问题，主要是因为只有单线程在导入，上一行数据导入完成之后，才能继续操作下一行。
为了加快导入速度，那我们就多来几个线程，并发导入。
多线程我们自然将会使用线程池的方式，相关代码改造如下：
File file = ...;ExecutorService executorService = new ThreadPoolExecutor(5,10,60,TimeUnit.MINUTES,// 文件数量，假设文件包含 10W 行new ArrayBlockingQueue<>(10*10000),// guava 提供new ThreadFactoryBuilder().setNameFormat("test-%d").build());try (LineIterator iterator = IOUtils.lineIterator(new FileInputStream(file), "UTF-8")) {while (iterator.hasNext()) {String line = iterator.nextLine();executorService.submit(() -> {convertToDB(line);});}}
上述代码中，每读取到一行内容，就会直接交给线程池来执行。
我们知道线程池原理如下：
如果核心线程数未满，将会直接创建线程执行任务。如果核心线程数已满，将会把任务放入到队列中。如果队列已满，将会再创建线程执行任务。如果最大线程数已满，队列也已满，那么将会执行拒绝策略。