在 Java 中使用制表符分隔符对字符串进行标记，同时跳过一些标记

Question

我有一个包含数据的大文件（~8Gb / ~8000 万条记录）。每条记录有 6-8 个属性，由单个选项卡拆分。我想让初学者在另一个文件中复制一些给定的属性。所以我想要一个比上面更优雅的代码，例如，如果我只想要总共 4 个令牌中的第二个和最后一个：

StringTokenizer st = new StringTokenizer(line, "\t");
st.nextToken(); //get rid of the first token
System.out.println(st.nextToken()); //show me the second token
st.nextToken(); //get rid of the third token
System.out.println(st.nextToken()); //show me the fourth token

我提醒一下，这是一个巨大的文件，所以我必须避免任何多余的 if 检查。

Answer 1

正如 Paul Tomblin 所说，您可能应该使用 unix cut 实用程序。

不过，在 Java 中你也可以尝试：

String[] fields = line.split("\t");
System.out.println(fields[1]+" "+fields[3]);

这是否更“优雅”是见仁见智的问题。我不知道它是否在大文件上更快 - 你需要在你的系统上对其进行基准测试。

相对性能还取决于每行有多少字段，以及您想要哪些字段； split() 将一次处理整行，但 StringTokenizer 将逐步处理整个行（例如，如果您只需要 20 个字段中的第 2 和第 4 个字段，则很好）。

Answer 2

虽然您的数据文件很大，但听起来您的问题更多是关于如何方便地访问一行文本中的项目，其中项目由制表符分隔。我认为 StringTokenizer 对于这种简单的格式来说太过分了。

我会使用某种类型的“拆分”将行转换为标记数组。我更喜欢 commons-lang 中的 StringUtils split 而不是 String.split，尤其是在不需要正则表达式时。由于制表符是“空白”，因此您可以使用默认拆分方法而无需指定分隔符：

String [] items = StringUtils.split(line);
if (items != null && items.length > 6)
{
    System.out.println("Second: " + items[1]  + "; Fourth: " + items[3]);
}

Answer 3

如果您正在执行 readLines，那么您实际上是在扫描文件两次： 1）您一次搜索文件 1 个字符以查找行尾字符 2）然后你扫描每一行的标签。

您可以查看其中一个 Csv 库。从记忆中，flatpack 只进行一次扫描。 这些库可能会提供更好的性能（不过我从未测试过）。

几个java库： - Java Csv library - flatpack

Answer 4

你的问题让我对性能产生了疑问。最近我一直在尽可能地使用 Guava 的 Splitter，只是因为我挖掘了语法。我从未测量过性能，所以我对四种解析样式进行了快速测试。我很快就把这些放在一起，所以请原谅风格和边缘情况正确性方面的错误。它们基于我们只对第二项和第四项感兴趣的理解。

我发现有趣的是，“homeGrown”（非常粗略的代码）解决方案在解析 350MB 制表符分隔的文本文件（有四列）时最快，例如：

head test.txt 
0   0   0   0
1   2   3   4
2   4   6   8
3   6   9   12

在我的笔记本电脑上运行超过 350MB 的数据时，我得到了以下结果：

• 国产：2271ms
• guavaSplit：3367ms
• 正则表达式：7302ms
• 标记化：3466ms

鉴于此，我想我会在大多数工作中坚持使用 Guava 的拆分器，并考虑为更大的数据集使用自定义代码。

  public static List<String> tokenize(String line){
    List<String> result = Lists.newArrayList();
    StringTokenizer st = new StringTokenizer(line, "\t");
    st.nextToken(); //get rid of the first token
    result.add(st.nextToken()); //show me the second token
    st.nextToken(); //get rid of the third token
    result.add(st.nextToken()); //show me the fourth token
    return result;
  }

  static final Splitter splitter = Splitter.on('\t');
  public static List<String> guavaSplit(String line){
    List<String> result = Lists.newArrayList();
    int i=0;
    for(String str : splitter.split(line)){
      if(i==1 || i==3){
        result.add(str);
      }
      i++;
    }
    return result;
  }

  static final Pattern p = Pattern.compile("^(.*?)\\t(.*?)\\t(.*?)\\t(.*)$");
  public static List<String> regex(String line){
    List<String> result = null;
    Matcher m = p.matcher(line);
    if(m.find()){
      if(m.groupCount()>=4){
        result= Lists.newArrayList(m.group(2),m.group(4));
      }
    }
    return result;
  }

  public static List<String> homeGrown(String line){
    List<String> result = Lists.newArrayList();
    String subStr = line;
    int cnt = -1;
    int indx = subStr.indexOf('\t');
    while(++cnt < 4 && indx != -1){
      if(cnt==1||cnt==3){
        result.add(subStr.substring(0,indx));
      }
      subStr = subStr.substring(indx+1);
      indx = subStr.indexOf('\t');
    }
    if(cnt==1||cnt==3){
      result.add(subStr);
    }
    return result;
  }

请注意，通过适当的边界检查和更优雅的实现，所有这些都可能会变慢。

Answer 5

如果您的文件很大，除了速度之外，您还将面临内存消耗问题，因为您必须将文件加载到内存中才能对其进行操作。

我有一个想法，但请注意这是特定于平台的并且违反了 java 移动性。

您可以从 java 运行 unix 命令以获得大量的速度和内存消耗。例如：

    public static void main ( final String[] args)throws Exception {
         Runtime.getRuntime().exec("cat <file> | awk {print $1} >> myNewFile.txt");
    }