读取多个非常大的文件的最佳方式

Question

我需要帮助找出最快的方法来读取大约 80 个文件，每个文件中的行超过 500,000 行，并将每个输入文件的行作为主文件中的一列写入一个主文件。主文件必须写入记事本等文本编辑器，而不是 Microsoft 产品，因为它们无法处理行数。

例如，主文件应如下所示：

File1_Row1,File2_Row1,File3_Row1,...

File1_Row2,File2_Row2,File3_Row2,...

File1_Row3,File2_Row3,File3_Row3,...

等等

到目前为止，我已经尝试了 2 个解决方案：

1. 创建一个锯齿状数组以将每个文件的内容保存到一个数组中，然后在读取所有文件中的所有行后，写入主文件。此解决方案的问题是 Windows 操作系统内存会引发错误，即正在使用过多的虚拟内存。
2. 为读取特定行号的 80 个文件中的每一个动态创建一个读取器线程，一旦所有线程完成读取一行，将这些值组合并写入文件，并对所有文件中的每一行重复。这个解决方案的问题是它非常非常慢。

有没有人有更好的解决方案来快速读取这么多大文件？

Answer 1

最好的方法是打开输入文件，每个文件使用StreamReader，输出文件使用StreamWriter。然后你遍历每个阅读器并读取一行并将其写入主文件。这样你一次只加载一行，所以应该有最小的内存压力。我能够在 37 秒内复制 80 ~ 500,000 个行文件。一个例子：

using System;
using System.Collections.Generic;
using System.IO;
using System.Diagnostics;

class MainClass
{
    static string[] fileNames = Enumerable.Range(1, 80).Select(i => string.Format("file{0}.txt", i)).ToArray();

    public static void Main(string[] args)
    {
        var stopwatch = Stopwatch.StartNew();
        List<StreamReader> readers = fileNames.Select(f => new StreamReader(f)).ToList();

        try
        {
            using (StreamWriter writer = new StreamWriter("master.txt"))
            {
                string line = null;
                do
                {
                    for(int i = 0; i < readers.Count; i++)
                    {
                        if ((line = readers[i].ReadLine()) != null)
                        {
                            writer.Write(line);
                        }
                        if (i < readers.Count - 1)
                            writer.Write(",");
                    }
                    writer.WriteLine();
                } while (line != null);
            }
        }
        finally
        {
            foreach(var reader in readers)
            {
                reader.Close();
            }
        }
        Console.WriteLine("Elapsed {0} ms", stopwatch.ElapsedMilliseconds);
    }
}

我假设所有输入文件的行数都相同，但是当至少一个文件为您提供数据时，您应该添加逻辑以继续阅读。

Answer 2

使用Memory Mapped 文件似乎适合您。不会对应用程序的内存造成压力的东西同时保持 IO 操作的良好性能。

这里有完整的文档：Memory-Mapped Files

Answer 3

如果您的计算机上有足够的内存，我会使用 Parallel.Invoke 构造并将每个文件读入预先分配的数组，例如：

string[] file1lines = new string[some value];
string[] file2lines = new string[some value];
string[] file3lines = new string[some value];

Parallel.Invoke(
() =>
{
   ReadMyFile(file1,file1lines);
},
() =>
{
   ReadMyFile(file2,file2lines);
},
() =>
{
   ReadMyFile(file3,file3lines);
}
);

每个 ReadMyFile 方法都应该只使用以下示例代码，according to these benchmarks，这是读取文本文件的最快方式：

int x = 0;
using (StreamReader sr = File.OpenText(fileName))
{
        while ((file1lines[x] = sr.ReadLine()) != null)
        {
               x += 1;
        }
}

如果您需要在编写最终输出之前处理每个文件中的数据，请read this article 以最快的方式进行操作。

然后，您只需要一种方法即可根据需要将每个 string[] 的内容写入输出。

Answer 4

有一组打开的文件句柄。循环遍历该数组并将每个文件中的一行读入字符串数组。然后将此数组合并到主文件中，在末尾追加一个换行符。

这与您的第二种方法不同，它是单线程的，不会读取特定的行，但总是读取下一行。

当然，如果文件的行数少于其他文件，则需要防错。