CSV 解析占用太多内存

Question

我正在尝试读取 5MM 行文件，但现在它超出了我在 heroku 上分配的内存使用量。我的方法有点快~200次插入/秒..我相信它在导入时崩溃了..所以我的计划是批量导入1,000或10,000个。我的问题是我如何知道我在文件的末尾，ruby 有一个.eof方法，但它是一个File方法，我不知道如何在我的循环中调用它

    def self.import_parts_db(file)
        time = Benchmark.measure do
            Part.transaction do 
                parts_db = []
                CSV.parse(File.read(file), headers: true) do |row|
                    row_hash = row.to_hash
                    part = Part.new(
                        part_num: row_hash["part_num"], 
                        description: row_hash["description"], 
                        manufacturer: row_hash["manufacturer"],
                        model: row_hash["model"],
                        cage_code: row_hash["cage_code"],
                        nsn: row_hash["nsn"]
                        )
                    parts_db << part
                end
                Part.import parts_db
            end
        end
        puts time
    end

Answer 1

第一个问题

一旦使用File.read(file)大文件，您的脚本就会使用大量内存（可能太多）。您将整个文件读入 1 个巨大的字符串，即使是CSV逐行读取。

当您使用具有数千行的文件时，它可能会正常工作。不过，您应该使用CSV.foreach。改变

 CSV.parse(File.read(file), headers: true) do |row|

到

CSV.foreach(file, headers: true) do |row|

在此示例中，内存使用量从 1GB 变为 0.5MB。

第二个问题

parts_db变成一个巨大的零件数组，它不断增长，直到 CSV 文件的末尾。您需要删除事务（导入速度会很慢，但不需要比 1 行更多的内存）或批量处理 CSV。

这是一种可行的方法。我们CSV.parse再次使用，但仅批量使用 2000 行：

def self.import_parts_db(filename)
  time = Benchmark.measure do
    File.open(filename) do |file|
      headers = file.first
      file.lazy.each_slice(2000) do |lines|
        Part.transaction do
          rows = CSV.parse(lines.join, write_headers: true, headers: headers)
          parts_db = rows.map do |_row|
            Part.new(
              part_num: row_hash['part_num'],
              description: row_hash['description'],
              manufacturer: row_hash['manufacturer'],
              model: row_hash['model'],
              cage_code: row_hash['cage_code'],
              nsn: row_hash['nsn']
            )
          end
          Part.import parts_db
        end
      end
    end
    puts time
  end
end

第三个问题？

前面的答案不应该使用太多内存，但导入所有内容仍然可能需要很长时间，对于远程服务器来说可能太多了。

使用枚举器的优点是可以轻松跳过批次并仅获取您想要的批次。

假设您的导入时间太长，并且在 424000 次成功导入后由于某种原因停止。

你可以替换：

file.lazy.each_slice(2000) do |lines|

经过

file.lazy.drop(424_000).take(300_000).each_slice(2000) do |lines|

跳过前 424000 行 CSV，并解析接下来的 300000 行。

对于下一次导入，请使用：

file.lazy.drop(424_000+300_000).take(300_000).each_slice(2000) do |lines|

进而 ：

file.lazy.drop(424_000+2*300_000).take(300_000).each_slice(2000) do |lines|

...