海量数据解析并调接口的方案？

Question

最近遇到了这样一个问题：
要求解析csv文件，逐行取出数据，并调用第三方指定的接口进行数据同步。

听上去很简单直白，甚至调用的demo都写好了，什么加密的逻辑都是现成的，只要把真实的秘钥、appid之类的信息填进去就能跑，感觉用个工具类解析csv文件，逐行拿出来作为入参传进去了事。 但拿到了数据文件才发现没这么简单，里面居然有上亿的数据...... 先取了部分数据同步地逐行组参调用试了试效果，发现接口性能比较差，单次调用都上1秒多。真要同步一行行来操作的话要搞到猴年马月去了~

又尝试了下多线程的方法。 不知道是我个人电脑性能太差，还是线程池配置的参数不理想，感觉效果并不好，甚至还不如同步的稳定性高。 跑了一段时间后，就没反应了，然后报java.lang.OutOfMemoryError: GC overhead limit exceeded 直接整挂了。

说实话这么大量的数据，要同步的话照理应该考虑数据库层面的同步方式吧。 不过现在受条件限制要求只能调人家的接口。 有没有什么高效一点的方法啊？ 另外感觉这种大型工作还是最好在专门服务器上搞把，个人电脑吃不消~

Answer 1

这里面包含好几个问题：

1. 单次调用1秒多，指的应该是从你发出请求到第三方接口回复需要1s吧，性能瓶颈不在你的解析数据文件，这种情况需要再看看第三方是否提供了批量处理接口。
2. 多线程OOM，建议贴上代码提问，这是我们比较感兴趣希望能解答的部分。怀疑是线程中有内存泄露，资源没回收，或者线程池大小/队列没限制，直接开到了Integer.MAX_VALUE
3. 异构数据库（从csv到数据库也算异构）同步本质上还是对数据库接口的调用，可以通过批量写入，优化数据库语句等方式改善性能，首先的建议是减少网络传输的时延，在最靠近数据库的地方处理，毕竟1s的时间里可能各层网络转发占90%，如果每次都是单独接口经过TLS握手，业务认证...无谓的时间消耗更多。
4. 云厂商租一个服务器呗，2核到64核+，用完就关按需收费。

Answer 2

@Hotlink解答挺详细的了，我再补充一点OOM的问题。理论上，按楼主的问题，只是一个解析较大的CSV文件（上亿的数据），简单采用点策略，应该不至于到OOM的程度。
考虑一次性执行可能由于各种原因失败，而不得不重新执行，这里我们可以采取一点简单的策略，以便这部分逻辑随时可以中断、随时可以重新快速恢复执行。

1. 关于CSV文件格式：我用Excel2013做了下试验导出CSV格式。目前看来，记录换行符为"\r\n"，如果某一个单元格内部包含ALT+ENTER产生的换行，那么这个单元格内部换行使用的是"\n"，即不包含"\r"字符。
2. 快速建立CSV文件的记录索引。只需要扫描所有"\r\n"即可，可以快速建立记录索引和字节偏移的对应关系，从而也可以方便计算出每条记录的字节数。这一步通常很快，应该几秒可以完成。
3. 使用RandomAccessFile来对CSV文件进行随机读取，利用seek()方法快速定位到需要的记录，使用read(byte b[], int off, int len)方法读取本条记录内容。这里一步非常关键，那就是复用字节数组，这个字节数组的长度设置为 最大记录字节数即可。
4. 发送API调用请求，调用成功后，标识这条记录已经处理完成。下次重启时，可以通过处理标识快速跳过已处理的记录。

如果需要使用多线程处理API的调用，那么只需要发送API调用部分逻辑包装为一个Task，丢到一个任务队列中，由线程池来执行即可。这样可以方便调节执行的线程数。
需要注意的是，如果由线程池来调度执行，那么必须要注意避免多线程共享复用的字节数组，简单的可以把字节数组放入ThreadLocal中管理；如果介意ThreadLocal的性能损失的话，放到一个buf[threadId]数组中管理也很方便。

关于已处理记录的状态管理：对于这种需要频繁读写状态的数据文件，以我个人经验，使用MappedByteBuffer非常方便。相当于对文件的读写转换成了对内存的读写，速度相当快，而且安全。状态文件的设计，简单比如：每条记录占用 5 个字节（4字节偏移地址 + 1字节处理状态）。