场景:我需要处理超过1.5GB的文本和csv文件,以进行数学处理。我尝试使用SQL Server Express,但是即使使用BULK导入加载信息也需要很长时间,理想情况下,我需要将整个数据集存储在内存中以减少硬盘IO。
有超过120,000,000条记录,但即使我尝试将信息筛选为一个列(在内存中),我的C#控制台应用程序也会消耗约3.5GB的内存来处理只有125MB(实际读入700MB)的文本。
似乎对字符串和字符串数组的引用没有被GC收集,即使将所有引用设置为null并使用using关键字封装IDisposable。
我认为罪魁祸首是String.Split()方法,它为每个逗号分隔的值创建了一个新的字符串。
你可以建议我甚至不应该将不需要的*列读入字符串数组,但这忽略了重点:如何将这个完整的数据集放入内存中,以便我可以在C#中并行处理它?
我可以优化统计算法并使用复杂的调度算法协调任务,但这是我希望在遇到内存问题之前就能处理的事情,而不是因为内存问题而处理。
我已经包括了一个完整的控制台应用程序,模拟了我的环境,并应该有助于复制问题。
感谢您提前的帮助。
有超过120,000,000条记录,但即使我尝试将信息筛选为一个列(在内存中),我的C#控制台应用程序也会消耗约3.5GB的内存来处理只有125MB(实际读入700MB)的文本。
似乎对字符串和字符串数组的引用没有被GC收集,即使将所有引用设置为null并使用using关键字封装IDisposable。
我认为罪魁祸首是String.Split()方法,它为每个逗号分隔的值创建了一个新的字符串。
你可以建议我甚至不应该将不需要的*列读入字符串数组,但这忽略了重点:如何将这个完整的数据集放入内存中,以便我可以在C#中并行处理它?
我可以优化统计算法并使用复杂的调度算法协调任务,但这是我希望在遇到内存问题之前就能处理的事情,而不是因为内存问题而处理。
我已经包括了一个完整的控制台应用程序,模拟了我的环境,并应该有助于复制问题。
感谢您提前的帮助。
using System;
using System.Collections.Generic;
using System.Text;
using System.IO;
namespace InMemProcessingLeak
{
class Program
{
static void Main(string[] args)
{
//Setup Test Environment. Uncomment Once
//15000-20000 files would be more realistic
//InMemoryProcessingLeak.GenerateTestDirectoryFilesAndColumns(3000, 3);
//GC
GC.Collect();
//Demostrate Large Object Memory Allocation Problem (LOMAP)
InMemoryProcessingLeak.SelectColumnFromAllFiles(3000, 2);
}
}
class InMemoryProcessingLeak
{
public static List<string> SelectColumnFromAllFiles(int filesToSelect, int column)
{
List<string> allItems = new List<string>();
int fileCount = filesToSelect;
long fileSize, totalReadSize = 0;
for (int i = 1; i <= fileCount; i++)
{
allItems.AddRange(SelectColumn(i, column, out fileSize));
totalReadSize += fileSize;
Console.Clear();
Console.Out.WriteLine("Reading file {0:00000} of {1}", i, fileCount);
Console.Out.WriteLine("Memory = {0}MB", GC.GetTotalMemory(false) / 1048576);
Console.Out.WriteLine("Total Read = {0}MB", totalReadSize / 1048576);
}
Console.ReadLine();
return allItems;
}
//reads a csv file and returns the values for a selected column
private static List<string> SelectColumn(int fileNumber, int column, out long fileSize)
{
string fileIn;
FileInfo file = new FileInfo(string.Format(@"MemLeakTestFiles/File{0:00000}.txt", fileNumber));
fileSize = file.Length;
using (System.IO.FileStream fs = file.Open(FileMode.Open, FileAccess.Read, FileShare.Read))
{
using (System.IO.StreamReader sr = new System.IO.StreamReader(fs))
{
fileIn = sr.ReadToEnd();
}
}
string[] lineDelimiter = { "\n" };
string[] allLines = fileIn.Split(lineDelimiter, StringSplitOptions.None);
List<string> processedColumn = new List<string>();
string current;
for (int i = 0; i < allLines.Length - 1; i++)
{
current = GetColumnFromProcessedRow(allLines[i], column);
processedColumn.Add(current);
}
for (int i = 0; i < lineDelimiter.Length; i++) //GC
{
lineDelimiter[i] = null;
}
lineDelimiter = null;
for (int i = 0; i < allLines.Length; i++) //GC
{
allLines[i] = null;
}
allLines = null;
current = null;
return processedColumn;
}
//returns a row value from the selected comma separated string and column position
private static string GetColumnFromProcessedRow(string line, int columnPosition)
{
string[] entireRow = line.Split(",".ToCharArray());
string currentColumn = entireRow[columnPosition];
//GC
for (int i = 0; i < entireRow.Length; i++)
{
entireRow[i] = null;
}
entireRow = null;
return currentColumn;
}
#region Generators
public static void GenerateTestDirectoryFilesAndColumns(int filesToGenerate, int columnsToGenerate)
{
DirectoryInfo dirInfo = new DirectoryInfo("MemLeakTestFiles");
if (!dirInfo.Exists)
{
dirInfo.Create();
}
Random seed = new Random();
string[] columns = new string[columnsToGenerate];
StringBuilder sb = new StringBuilder();
for (int i = 1; i <= filesToGenerate; i++)
{
int rows = seed.Next(10, 8000);
for (int j = 0; j < rows; j++)
{
sb.Append(GenerateRow(seed, columnsToGenerate));
}
using (TextWriter tw = new StreamWriter(String.Format(@"{0}/File{1:00000}.txt", dirInfo, i)))
{
tw.Write(sb.ToString());
tw.Flush();
}
sb.Remove(0, sb.Length);
Console.Clear();
Console.Out.WriteLine("Generating file {0:00000} of {1}", i, filesToGenerate);
}
}
private static string GenerateString(Random seed)
{
StringBuilder sb = new StringBuilder();
int characters = seed.Next(4, 12);
for (int i = 0; i < characters; i++)
{
sb.Append(Convert.ToChar(Convert.ToInt32(Math.Floor(26 * seed.NextDouble() + 65))));
}
return sb.ToString();
}
private static string GenerateRow(Random seed, int columnsToGenerate)
{
StringBuilder sb = new StringBuilder();
sb.Append(seed.Next());
for (int i = 0; i < columnsToGenerate - 1; i++)
{
sb.Append(",");
sb.Append(GenerateString(seed));
}
sb.Append("\n");
return sb.ToString();
}
#endregion
}
}
*这些其他列将在程序的整个生命周期中被顺序和随机访问,因此每次从磁盘读取都是一个巨大的负担。
**环境说明:4GB DDR2 SDRAM 800、Core 2 Duo 2.5Ghz、.NET Runtime 3.5 SP1、Vista 64。