node.js - 在 Node.js 中解析巨大的日志文件 - 逐行读取

Question

我需要对 Javascript/Node.js 中的大型(5-10 Gb)日志文件进行一些解析(我正在使用 Cube)。

日志如下所示:

10:00:43.343423 I'm a friendly log message. There are 5 cats, and 7 dogs. We are in state "SUCCESS".

我们需要读取每一行，做一些解析(例如去掉 5、7 和 SUCCESS)，然后将这些数据注入(inject)Cube ( https://github.com/square/cube ) 使用他们的 JS 客户端。

首先，Node 中逐行读取文件的规范方式是什么？

这似乎是网上相当普遍的问题:

• http://www.quora.com/What-is-the-best-way-to-read-a-file-line-by-line-in-node-js
• Read a file one line at a time in node.js?

很多答案似乎都指向一堆第三方模块:

• https://github.com/nickewing/line-reader
• https://github.com/jahewson/node-byline
• https://github.com/pkrumins/node-lazy
• https://github.com/Gagle/Node-BufferedReader

但是，这似乎是一项相当基本的任务 - 当然，在 stdlib 中有一种简单的方法可以逐行读取文本文件？

其次，我需要处理每一行(例如，将时间戳转换为 Date 对象，并提取有用的字段)。

如何做到这一点，最大限度地提高吞吐量？是否有某种方式不会阻止读取每一行或将其发送到 Cube？

第三 - 我猜想使用字符串拆分，JS 等价于 contains (IndexOf != -1?) 会比正则表达式快很多？有没有人在 Node.js 中解析大量文本数据方面有丰富的经验？

干杯， 维克多

Answer 1

我搜索了一种使用流逐行解析超大文件 (gbs) 的解决方案。所有第三方库和示例都不适合我的需求，因为它们不是逐行处理文件(如 1 、 2 、 3 、 4 ..)或将整个文件读入内存

以下解决方案可以使用流和管道逐行解析非常大的文件。为了测试，我使用了一个包含 17.000.000 条记录的 2.1 gb 文件。内存使用量不超过 60 mb。

首先，安装event-stream包装:

npm install event-stream

然后:

var fs = require('fs')
    , es = require('event-stream');

var lineNr = 0;

var s = fs.createReadStream('very-large-file.csv')
    .pipe(es.split())
    .pipe(es.mapSync(function(line){

        // pause the readstream
        s.pause();

        lineNr += 1;

        // process line here and call s.resume() when rdy
        // function below was for logging memory usage
        logMemoryUsage(lineNr);

        // resume the readstream, possibly from a callback
        s.resume();
    })
    .on('error', function(err){
        console.log('Error while reading file.', err);
    })
    .on('end', function(){
        console.log('Read entire file.')
    })
);

请告诉我进展如何!