在 C# 中读取 csv 文件以提高时间效率的最佳方法

Question

我有以下代码可以读取一个大文件，比如超过一百万行。我正在使用 Parallel 和 Linq 方法。有更好的方法吗？如果是，那么如何？

        private static void ReadFile()
        {
            float floatTester = 0;
            List<float[]> result = File.ReadLines(@"largedata.csv")
                .Where(l => !string.IsNullOrWhiteSpace(l))
                .Select(l => new { Line = l, Fields = l.Split(new[] { ',' }, StringSplitOptions.RemoveEmptyEntries) })
                .Select(x => x.Fields
                              .Where(f => Single.TryParse(f, out floatTester))
                              .Select(f => floatTester).ToArray())
                .ToList();

            // now get your totals
            int numberOfLinesWithData = result.Count;
            int numberOfAllFloats = result.Sum(fa => fa.Length);
            MessageBox.Show(numberOfAllFloats.ToString());
        }

        private static readonly char[] Separators = { ',', ' ' };

        private static void ProcessFile()
        {
            var lines = File.ReadAllLines("largedata.csv");
            var numbers = ProcessRawNumbers(lines);

            var rowTotal = new List<double>();
            var totalElements = 0;

            foreach (var values in numbers)
            {
                var sumOfRow = values.Sum();
                rowTotal.Add(sumOfRow);
                totalElements += values.Count;
            }
            MessageBox.Show(totalElements.ToString());
        }

        private static List<List<double>> ProcessRawNumbers(IEnumerable<string> lines)
        {
            var numbers = new List<List<double>>();
            /*System.Threading.Tasks.*/
            Parallel.ForEach(lines, line =>
            {
                lock (numbers)
                {
                    numbers.Add(ProcessLine(line));
                }
            });
            return numbers;
        }

        private static List<double> ProcessLine(string line)
        {
            var list = new List<double>();
            foreach (var s in line.Split(Separators, StringSplitOptions.RemoveEmptyEntries))
            {
                double i;
                if (Double.TryParse(s, out i))
                {
                    list.Add(i);
                }
            }
            return list;
        }

        private void button1_Click(object sender, EventArgs e)
        {
            Stopwatch stopWatchParallel = new Stopwatch();
            stopWatchParallel.Start();
            ProcessFile();
            stopWatchParallel.Stop();
            // Get the elapsed time as a TimeSpan value.
            TimeSpan ts = stopWatchParallel.Elapsed;

            // Format and display the TimeSpan value.
            string elapsedTime = String.Format("{0:00}:{1:00}:{2:00}.{3:00}",
                ts.Hours, ts.Minutes, ts.Seconds,
                ts.Milliseconds / 10);
            MessageBox.Show(elapsedTime);

            Stopwatch stopWatchLinQ = new Stopwatch();
            stopWatchLinQ.Start();
            ReadFile();
            stopWatchLinQ.Stop();
            // Get the elapsed time as a TimeSpan value.
            TimeSpan ts2 = stopWatchLinQ.Elapsed;

            // Format and display the TimeSpan value.
            string elapsedTimeLinQ = String.Format("{0:00}:{1:00}:{2:00}.{3:00}",
                ts2.Hours, ts.Minutes, ts.Seconds,
                ts2.Milliseconds / 10);
            MessageBox.Show(elapsedTimeLinQ);
        }

Answer 1

您可以为此使用内置的 OleDb..

public void ImportCsvFile(string filename)
{
    FileInfo file = new FileInfo(filename);

    using (OleDbConnection con = 
            new OleDbConnection("Provider=Microsoft.Jet.OLEDB.4.0;Data Source=\"" +
            file.DirectoryName + "\";
            Extended Properties='text;HDR=Yes;FMT=Delimited(,)';"))
    {
        using (OleDbCommand cmd = new OleDbCommand(string.Format
                                  ("SELECT * FROM [{0}]", file.Name), con))
        {
            con.Open();

            // Using a DataTable to process the data
            using (OleDbDataAdapter adp = new OleDbDataAdapter(cmd))
            {
                DataTable tbl = new DataTable("MyTable");
                adp.Fill(tbl);

                //foreach (DataRow row in tbl.Rows)

                //Or directly make a list
                List<DataRow> list = dt.AsEnumerable().ToList();
            }
        }
    }
} 

请参阅this 和this 以获取更多参考。

Answer 2

你应该看看 CsvHelper => https://github.com/JoshClose/CsvHelper/

它允许您将 .csv 文件映射到一个类，因此您可以将 .csv 文件用作对象。尝试一下，然后尝试应用您的并行操作，看看您是否有更好的性能。

这是我的项目示例代码：

 using (var csv = new CsvReader(new StreamReader(filePath, Encoding.Default)))
 {
            csv.Configuration.Delimiter = ';'; 
            csv.Configuration.ClassMapping<LogHeaderMap, LogHeader>(); 


            var data = csv.GetRecords<LogHeader>();

            foreach (var entry in data.OrderByDescending(x => x.Date))
            {
               //process
            }
 }

Answer 3

查看Fast CSV Reader。

Answer 4

最近，我遇到了为同一目的尽可能快地解析大型 CSV 文件的问题：数据聚合和指标计算（在我的案例中，最终目标是生成数据透视表）。我测试了最流行的 CSV 阅读器，但发现它们并不是为解析数百万行或更多行的 CSV 文件而设计的； JoshClose 的 CsvHelper 速度很快，但最终我能够以 2 到 4 倍的速度将 CSV 作为流处理！

我的方法基于两个假设：

• 尽可能避免创建字符串，因为这会浪费内存和 CPU（= 增加 GC 负载）。取而代之的是，解析器结果可以表示为一组“字段值”描述符，这些描述符仅保存缓冲区中的开始和结束位置+一些元数据（引用的值标志，值内的双引号数），并且字符串值仅在以下情况下构造需要。
• 使用循环 char[] 缓冲区读取 csv 行以避免过多的数据复制
• 没有抽象，最少的方法调用 - 这可以实现有效的 JIT 优化（例如，避免数组长度检查）。没有 LINQ，没有迭代器 (foreach) - 因为 for 效率更高。

现实生活中的使用数字（200MB CSV 文件的数据透视表，17 列，只有 3 列用于构建交叉表）：

• 我的自定义 CSV 阅读器：~1.9s
• CsvHelper：~6.1s

---更新---

我已经在 github 上发布了我的库，其工作方式如上所述：https://github.com/nreco/csv

Nuget 包：https://www.nuget.org/packages/NReco.Csv/