java千万级别数据生成文件思路和优化

 

欢迎大家访问我的个人网站 萌萌的IT人,后续所有的文章都会在此发布

--------------------------------------------------------------------------------------------

              一年前写过一个百万级别数据库数据生成配置xml文件的程序,程序目的是用来把数据库里面的数据生成xml文件.程序可以配置多少文件生成到一个文件中去.

 

              程序刚开始设计的时候说的是最多百万级别数据，最多50W数据生成到一个xml文件里面去,所以在做测试的时候自己也只是造了100W的数据并没有做过多数据量的测试,然后问题就来了....由于程序使用的局点数据量巨大，需要生成xml文件的客户资料接近千万级别的程度,而现场对程序的配置大约是100W条数据生成一个xml文件里面去，程序在这样的大数据量下面偶尔会有崩溃.

 

              最近几天现场催的比较紧，最近抽空把这个问题处理了一下,在解决问题的过程中我把解决的步骤和方法记录了下来，正好和大家共享一下

 

现场提的问题概况：

    数据量：生成xml，每个文件100W+ 条的数据

    内存控制：最好不要超过512M

    问题详情：在处理70W左右的时候内存溢出

 

一、先来看一下程序要生成的xml文件的结构

 

<File>
  <FileType>1</FileType>
  <RType>12</RType>
  <Version>03</Version>
  <BNo>004</BNo>
  <FileQ>5</FileQ>
  <FNo>0006</FNo>
  <RecordNum>1000000</RecordNum>
  <!-- 上面是文件头  下面是百万个<RecordList>  -->
  <RecordList>
    <Msisdn>10350719507</Msisdn>
    <State>1</State>
    <StartDate>20110303</StartDate>
    <Date>20110419</Date>
    <Balance>45000</Balance>
  </RecordList>
   ...  <!-- 可能百万个  <RecordList> 块-->
 </File>

 

 

二、给大家说一下如何把大数据生成xml文件

 

          1、小数据量的情况下    <  1W条数据

 

               比较好用的方法是使用开源框架，比如XStream 直接把javabean 生成 xml

               优点：api操作简单，方便维护

               缺点：数据量大的情况下太消耗内存

 

          2、大数据量生成一个xml文件(本程序采用的方法)

 

               自己做的一个可以使用极少的内存生成无限制大的xml文件框架由3部分生成xml文件

               第一部分：生成文件头  

                            例如： xxx.toXML(Object obj, String fileName)

               第二部分：通过每次向文件里面追加3000（可配置）条数据的形式生成文件块  

                            例如：xxx.appendXML(Object object);  //object 可以是ArrayList 或者一个单独的javaBean

               第三部分：生成xml文件尾巴   

                           例如：xxx.finishXML();

      

               程序中的调用：调用xxx.toXML(Object obj, String fileName) 生成文件头之后，可以循环从数据库中读取数据生成ArrayList，通过xxx.appendXML(Object object) 方法追加到xml文件里面,xxx.finishXML() 对文件进行收尾

 

               对框架说明：我上面提供的例子有文件头 + 文件块 + 文件尾巴. 如果和你们的实际使用文件不太一致的话，可以参考上面提供的思路修改一下即可，主要的方法是把相同的文件块部分分离出来通过追加的形式写入xml文件.

 

                      有了思路之后，大家可以尝试着自己写一个类似的大数据处理框架(千万级别以上),如何有什么需要帮助的可以直接联系我，因为是公司的程序，不太敢放出来，怕......

     

三、我是如何测试性能和优化的

 

               1、手动排除

 

                    根据文件崩溃时候的日志发现是在生成xml的框架里面报的错误，第一想到的是框架有些资源没有释放.于是把自己做的文件生成框架整体的排查了一遍,并且自己写个简单程序生成200万条数据，使用xml框架生成一个xml文件,整个生成过程中任务管理器(xp)查看程序对应的java进程使用的内存基本在20M左右,因此排除框架的问题.怀疑是数据库查询和调用框架的部门出现问题.

                    检测了一遍主程序的关键部分代码,优化了一下字符串处理.手动的释放一些对象的内存(例如：调用ArrayList.clear()，或者把对象置空等)，分配512内存后运行程序,60万数据的时候内存溢出，因为能主动释放的对象都已经释放掉了,还是没有解决,果断放弃看代码,准备使用JProfile进行内存检测.

 

               2、手动排除没有解决，借助内存分析工具JProfile进行排除

 

                    通过在数据库中生成300W条数据，在JProfile上面多跑程序，一边运行，一边调用JProfile 提供的执行GC按钮主动运行垃圾回收，运行50W数据后，通过检测中发现 java.long.String[] 和 oracle.jdbc.driver.Binder[] 两个对象的数目一直保持在自增状态，而且数目基本上差不多，对象数目 都在200W以上，由于java.long.String[]对象是需要依赖对象而存在的，因此断定问题就出在oracle.jdbc.driver.Binder[]上面，由于改对象存在引用导致String[]不能正常回收.

 

               3、通过在JProfile对象查看对象的管理

 

                   检测到oracle.jdbc.driver.Binder 被 oracle.jdbc.driver.T4CPreparedStatement 引起,而T4CPreparedStatement正好是Oracle对jdbc OraclePreparedStatement的具体实现,因此断定是在数据库处理方面出现的问题导致oracle.jdbc.driver.Binder对象不能正常释放，通过再一次有目的的检测代码，排查jdbc数据查询的问题,把问题的矛头直至数据库的批处理和事务处理.因此程序是每生成一个文件成功后，会把已经处理的数据转移到对应的历史表中进行备份,而再个表操作的过程中使用了批处理和事务，使用批处理主要是保证执行速度，使用事务主要是保证同时成功和失败。

               4、又因此程序每次从数据库中查询3000条数据处理，所以准备监控oracle.jdbc.driver.Binder的对象数目是否和查询次数对应.,通过在程序中Sysout输出查询次数 + JProfile运行GC测试 Binder，数据匹配，证实是java在数据库批处理的过程中有些问题.

               5、专门把批处理代码提取出来通过JProfile内存分析.最终问题定位完毕.

 

                    原因如下：100W数据生成一个文件的过程中，等文件生成完毕之后才能把数据库中的数据备份到历史表中，这个时候才能进行事务的提交，也就是执行commit()， 并且删除原表数据，100W数据按照3000一批写入文件，每批次只是通过 PreparedStatement.addBatch();加入到批次里面去,并没有执行PreparedStatement.executeBatch(),而是在commit()之前统一调用的PreparedStatement.executeBatch()，这样的话PreparedStatement就会缓存100W条数据信息，造成了内存溢出.

错误的方法如下：

 

try{
            conn.setAutoCommit(false);
            pst = conn.prepareStatement(insertSql);
            pstDel = conn.prepareStatement(delSql);
            pstUpdate = conn.prepareStatement(sql);
            ... 
            //totalSize = 100W数据 / 3000一批次
            for (int i = 1; i <= totalSize; i++) {
                
                client.appendXML(list);
               
            }
            // 错误的使用方法
            client.finishXML();
            pst.executeBatch();
            pstDel.executeBatch();
        }
         ...
        finally {
            try {
                if (isError) {
                    conn.rollback();
                }
                else
                    conn.commit();
               ...
            }
          ...
        }

 

正确的方法如下

          try{

            conn.setAutoCommit(false);
            pst = conn.prepareStatement(insertSql);
            pstDel = conn.prepareStatement(delSql);
            pstUpdate = conn.prepareStatement(sql);
            ... 
            //totalSize = 100W数据 / 3000一批次
            for (int i = 1; i <= totalSize; i++) {
                list = 从数据库中查询3000条数据
                client.appendXML(list);

               pst.executeBatch();
               pstDel.executeBatch();
            }
            client.finishXML();
            
        }
         ...
        finally {
            try {
                if (isError) {
                    conn.rollback();
                }
                else
                    conn.commit();
               ...
            }
          ...
        }

 

               如果碰到和我一样的需要给大家一个提醒.

               oracle在每次执行executeBatch();进行批处理的时候，当前connection对应的rownum会根据操作的结果发生变化.

 

               在执行pst.executeBatch(); 之后，当前连接的 rownum 数就会发生变化. 因此凡是通过rownum查询数据的程序都要小心这一点

 

 

                下一篇将整理写java大数据(千万级别以上的)处理，包括 ftp大数据处理、文件生成大数据处理、数据库转移大数据处理、文件读取大数据处理等等. 

 

        

                       <千万级别数据生成xml文件> by dyllove98 @ http://jlins.iteye.com

                        转载请表明出处。

 

 

评论

20 楼 WAMING5 2012-04-19  

  新手有些个疑惑的地方，在数据从数据查询出来时虽然做了分页处理这样可以使内存保持平稳状态，但是另个一方面，因为XML是不断在追加的，这个过程中XML的大小也是在增加的，既然是追加，那么整个XML是否也是被读到内存中，追加的呢？

19 楼 jiuyuehe 2012-04-18  

楼主，如果把ArrayList 换成HashSet 更好。java 集合包之各个集合性能分析

18 楼 rensanning 2012-04-17  

看你文中“正确的方法如下”代码的第8,9行

17 楼 dyllove98 2012-04-17  

rensanning 写道

关于大规模数据操作，你觉得那个性能好？
1、实现表数据移动：
   通过JDBC和Oracle的存储过程
2、写文件：
   先映射到Bean，再让如ArrayList，再循环List取Bean输出 和 字节输出

千万数据怎么放list?

16 楼 rensanning 2012-04-17  

顺表说一下，Java中ArrayList的长项在于随机访问，像这种放入读出，如果不考虑顺序的话，应该使用HashSet。

15 楼 rensanning 2012-04-17  

关于大规模数据操作，你觉得那个性能好？
1、实现表数据移动：
   通过JDBC和Oracle的存储过程
2、写文件：
   先映射到Bean，再让如ArrayList，再循环List取Bean输出 和 字节输出

14 楼 dyllove98 2012-04-17  

rensanning 写道

select时直接拼串后转字节码写入文件。
如：“<RecordList><Msisdn>10350719507</Msisdn><State>1</State><StartDate>20110303</StartDate><Date>20110419</Date><Balance>45000</Balance></RecordList>”
文件写完后调存储过程来完成移动数据的动作。

想法不错，可性能怎么样呢？不知道有没有类似的大数据量实现过？可以一起研究下

13 楼 rensanning 2012-04-17  

select时直接拼串后转字节码写入文件。
如：“<RecordList><Msisdn>10350719507</Msisdn><State>1</State><StartDate>20110303</StartDate><Date>20110419</Date><Balance>45000</Balance></RecordList>”
文件写完后调存储过程来完成移动数据的动作。

12 楼 dyllove98 2012-04-17  

threader 写道

生成多个文件不行吗？那么大的文件别人解析也麻烦

电信 金融等很多行业都会生成...呵呵

11 楼 dyllove98 2012-04-17  

jyjava 写道

lz的那个executeBatch为啥放在for循环里面，另外我没看明白，lz是不是将数查询出来，然后放到list，然后遍历list拼接到xml中的吧，每一次取出3000条，能否更多点

10楼 已经帮我回答了

10 楼 sherrt 2012-04-17  

jyjava 写道

lz的那个executeBatch为啥放在for循环里面，另外我没看明白，lz是不是将数查询出来，然后放到list，然后遍历list拼接到xml中的吧，每一次取出3000条，能否更多点

每一次循环处理3K数据，10W的数据需要跑好多遍，如果放到循环之外，相当于需要缓存10W调数据，楼主上面有说

9 楼 cfan_haifeng 2012-04-17  

学习了

8 楼 threader 2012-04-16  

生成多个文件不行吗？那么大的文件别人解析也麻烦

7 楼 jyjava 2012-04-16  

lz的那个executeBatch为啥放在for循环里面，另外我没看明白，lz是不是将数查询出来，然后放到list，然后遍历list拼接到xml中的吧，每一次取出3000条，能否更多点

6 楼 touch_123 2012-04-16  

谢谢分享

5 楼 xpp02 2012-04-16  

" ftp大数据处理、文件生成大数据处理、数据库转移大数据处理、文件读取大数据处理等等. "
期待

4 楼 dyllove98 2012-04-16  

mixer_b 写道

谢谢分享

谢谢支持

3 楼 dyllove98 2012-04-16  

gjlping 写道

谢谢分享，我关注你的。向你多学习

呵呵，谢谢支持

2 楼 gjlping 2012-04-16  

谢谢分享，我关注你的。向你多学习

1 楼 mixer_b 2012-04-16  

谢谢分享