如何在不耗尽内存的情况下将大文件从磁盘读取到数据库

Question

我觉得问这个问题很尴尬，因为我觉得我应该已经知道了。但是，鉴于我不......我想知道如何将大文件从磁盘读取到数据库而不会出现 OutOfMemory 异常。具体来说，我需要加载 CSV（或真正的制表符分隔文件）。

我正在试验 CSVReader，特别是此代码示例但我确信我做错了。他们的一些其他编码示例展示了如何读取的流文件任何大小，这几乎是我想要的（只是我需要从磁盘读取），但我不知道我可以创建什么类型的 IDataReader 来允许这样做。

我直接从磁盘读取数据，并尝试通过一次读取太多数据来确保不会耗尽内存，如下所示。我不禁想到我应该能够使用 BufferedFileReader 或类似的东西，我可以指向文件的位置并指定缓冲区大小，然后使用 CsvDataReader需要一个 IDataReader 作为它的第一个参数，它可以只使用它。请告诉我我的方法的错误，让我摆脱我的 GetData 方法及其任意文件分块机制，并帮助我解决这个基本问题。

    private void button3_Click(object sender, EventArgs e)
    {   
        totalNumberOfLinesInFile = GetNumberOfRecordsInFile();
        totalNumberOfLinesProcessed = 0; 

        while (totalNumberOfLinesProcessed < totalNumberOfLinesInFile)
        {
            TextReader tr = GetData();
            using (CsvDataReader csvData = new CsvDataReader(tr, '\t'))
            {
                csvData.Settings.HasHeaders = false;
                csvData.Settings.SkipEmptyRecords = true;
                csvData.Settings.TrimWhitespace = true;

                for (int i = 0; i < 30; i++) // known number of columns for testing purposes
                {
                    csvData.Columns.Add("varchar");
                }

                using (SqlBulkCopy bulkCopy = new SqlBulkCopy(@"Data Source=XPDEVVM\XPDEV;Initial Catalog=MyTest;Integrated Security=SSPI;"))
                {
                    bulkCopy.DestinationTableName = "work.test";

                    for (int i = 0; i < 30; i++)
                    {
                        bulkCopy.ColumnMappings.Add(i, i); // map First to first_name
                    }

                    bulkCopy.WriteToServer(csvData);

                }
            }
        }
    }

    private TextReader GetData()
    {
        StringBuilder result = new StringBuilder();
        int totalDataLines = 0;
        using (FileStream fs = new FileStream(pathToFile, FileMode.Open, System.IO.FileAccess.Read, FileShare.ReadWrite))
        {
            using (StreamReader sr = new StreamReader(fs))
            {
                string line = string.Empty;
                while ((line = sr.ReadLine()) != null)
                {
                    if (line.StartsWith("D\t"))
                    {
                        totalDataLines++;
                        if (totalDataLines < 100000) // Arbitrary method of restricting how much data is read at once.
                        {
                            result.AppendLine(line);
                        }
                    }
                }
            }
        }
        totalNumberOfLinesProcessed += totalDataLines;
        return new StringReader(result.ToString());
    }

Answer 1

实际上，您的代码正在从文件中读取所有数据并保存到 TextReader 中（在内存中）。然后，您从 TextReader 读取数据到保存服务器。

如果数据太大，TextReader 中的数据大小会导致内存不足。请尝试这个方法。

1）从文件中读取数据（每行）。

2）然后将每一行插入服务器。

内存不足问题将得到解决，因为处理时只有内存中的每条记录。

伪代码

begin tran

While (data = FilerReader.ReadLine())
{
  insert into Table[col0,col1,etc] values (data[0], data[1], etc)
}

end tran

Answer 2

可能不是您正在寻找的答案，但这就是批量插入被设计用于。

Answer 3

我只是添加使用 BufferedFileReader 和 readLine 方法，并按照上面的方式执行。

基本上了解了这里的职责。

BufferedFileReader 是从文件读取数据的类（缓冲区明智）
也应该有一个 LineReader。
CSVReader 是一个 util 类，用于读取数据（假定数据格式正确）。

您无论如何都在使用 SQlBulkCopy。

第二个选项

您可以直接进入数据库的导入工具。如果文件格式正确并且程序的漏洞仅此而已。那也会更快。

Answer 4

我认为您可能会对数据的大小产生误解。每次我遇到这个问题时，问题都不是数据的大小，而是循环数据时创建的对象的数量。

查看 while 循环，在方法中将记录添加到按钮3_Click(object sender, EventArgs e) 中的数据库：

TextReader tr = GetData();
using (CsvDataReader csvData = new CsvDataReader(tr, '\t'))

在这里，您每次迭代声明并实例化两个对象 - 这意味着对于您读取的每个文件块，您将实例化 200,000 个对象；垃圾收集器将无法跟上。

为什么不在 while 循环之外声明对象？

TextReader tr = null;
CsvDataReader csvData = null;

这样，gc就有一半的机会了。您可以通过对 while 循环进行基准测试来证明差异，毫无疑问，在创建了几千个对象后，您会注意到巨大的性能下降。

Answer 5

伪代码：

while (!EOF) {
   while (chosenRecords.size() < WRITE_BUFFER_LIST_SIZE) {
      MyRecord record = chooseOrSkipRecord(file.readln());
      if (record != null) {
         chosenRecords.add(record)
      }
   }  
   insertRecords(chosenRecords) // <== writes data and clears the list
}

WRITE_BUFFER_LIST_SIZE 只是您设置的常量...较大意味着较大的批次，较小意味着较小的批次。大小为 1 的是 RBAR :)。

如果您的操作足够大，中途失败是一种现实的可能性，或者如果中途失败可能会让某人损失一大笔钱，那么您可能还想将迄今为止处理的记录总数写入第二个表<作为同一事务的一部分，从文件中提取（包括您跳过的文件），以便您可以在部分完成时从上次中断的地方继续。

Answer 6

我建议读取一个块并将其插入数据库，而不是一一读取 csv 行并一一插入到数据库中。重复此过程，直到读取整个文件。

您可以在内存中缓冲，例如一次缓冲 1000 个 csv 行，然后将它们插入数据库中。

int MAX_BUFFERED=1000;
int counter=0;
List<List<String>> bufferedRows= new ...

while (scanner.hasNext()){
  List<String> rowEntries= getData(scanner.getLine())
  bufferedRows.add(rowEntries);

  if (counter==MAX_BUFFERED){
    //INSERT INTO DATABASE
    //append all contents to a string buffer and create your SQL INSERT statement
    bufferedRows.clearAll();//remove data so it could be GCed when GC kicks in
  }
}