我需要解析一个大的 csv 文件(2GB)。必须验证这些值,必须删除包含“坏”字段的行,并且应该输出仅包含有效行的新文件。
我选择了 uniVocity 解析器库来做到这一点。请帮助我了解这个库是否适合该任务以及应该使用什么方法。
考虑到文件大小,在 uniVocity 中组织读取->验证->写入的最佳方式是什么?一次读入所有行还是使用迭代器样式?解析和验证的行在写入文件之前应存储在哪里?
Univocity 有没有办法通过索引访问行的值?像 row.getValue(3) 之类的东西?
最佳答案
我是这个库的作者,让我尽力帮助你:
首先,不要尝试一次读取所有行,因为大量数据会填满内存。
您可以通过索引获取行值。
更快的读取/验证/写入方法是使用具有 CsvWriter
的 RowProcessor
并决定何时写入或跳过一行。我认为以下代码会对您有所帮助:
定义输出:
private CsvWriter createCsvWriter(File output, String encoding){
CsvWriterSettings settings = new CsvWriterSettings();
//configure the writer ...
try {
return new CsvWriter(new OutputStreamWriter(new FileOutputStream(output), encoding), settings);
} catch (IOException e) {
throw new IllegalArgumentException("Error writing to " + output.getAbsolutePath(), e);
}
}
重定向输入
//this creates a row processor for our parser. It validates each row and sends them to the csv writer.
private RowProcessor createRowProcessor(File output, String encoding){
final CsvWriter writer = createCsvWriter(output, encoding);
return new AbstractRowProcessor() {
@Override
public void rowProcessed(String[] row, ParsingContext context) {
if (shouldWriteRow(row)) {
writer.writeRow(row);
} else {
//skip row
}
}
private boolean shouldWriteRow(String[] row) {
//your validation here
return true;
}
@Override
public void processEnded(ParsingContext context) {
writer.close();
}
};
}
配置解析器:
public void readAndWrite(File input, File output, String encoding) {
CsvParserSettings settings = new CsvParserSettings();
//configure the parser here
//tells the parser to send each row to them custom processor, which will validate and redirect all rows to the CsvWriter
settings.setRowProcessor(createRowProcessor(output, encoding));
CsvParser parser = new CsvParser(settings);
try {
parser.parse(new InputStreamReader(new FileInputStream(input), encoding));
} catch (IOException e) {
throw new IllegalStateException("Unable to open input file " + input.getAbsolutePath(), e);
}
}
为了获得更好的性能,您还可以将行处理器包装在 ConcurrentRowProcessor
中。
settings.setRowProcessor(new ConcurrentRowProcessor(createRowProcessor(output, encoding)));
这样,行的写入将在单独的线程中执行。
关于validation - 读取大 csv 文件,使用 uniVocity 解析器验证并写出,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/34269510/