Ruby 为什么 slurping文件不是一个好习惯

我们一次又一次地看到关于读取文本文件以逐行处理它的问题，这些问题使用read或readlines的变体，它们在一个动作中将整个文件拉入内存.

The documentation for read说:

打开文件，可以 Select 查找给定的偏移量，然后返回长度字节(默认为文件的其余部分).[...]

The documentation for readlines说:

将按名称指定的整个文件作为单独的行读取，并以数组形式返回这些行.[...]

拉入一个小文件并不是什么大问题，但随着传入数据缓冲区的增长，内存必须被洗牌，这会占用CPU时间.此外，如果数据占用了太多空间，操作系统就必须参与进来，以保持脚本运行，并开始假脱机到磁盘，这将使程序崩溃.在HTTPd(web主机)或需要快速响应的东西上，它会 destruct 整个应用程序.

Slurping通常基于对文件I/O速度的误解，或者认为读取然后拆分缓冲区比一次读取一行要好.

下面是一些测试代码来演示"slurping"引起的问题.

将其另存为"test.sh":

echo Building test files...

yes "abcdefghijklmnopqrstuvwxyz 123456890" | head -c 1000       > kb.txt
yes "abcdefghijklmnopqrstuvwxyz 123456890" | head -c 1000000    > mb.txt
yes "abcdefghijklmnopqrstuvwxyz 123456890" | head -c 1000000000 > gb1.txt
cat gb1.txt gb1.txt > gb2.txt
cat gb1.txt gb2.txt > gb3.txt

echo Testing...

ruby -v

echo
for i in kb.txt mb.txt gb1.txt gb2.txt gb3.txt
do
  echo
  echo "Running: time ruby readlines.rb $i"
  time ruby readlines.rb $i
  echo '---------------------------------------'
  echo "Running: time ruby foreach.rb $i"
  time ruby foreach.rb $i
  echo
done

rm [km]b.txt gb[123].txt 

它会创建五个越来越大的文件.1K文件很容易处理，而且非常常见.以前人们认为1MB文件很大，但现在它们很常见.1GB在我的环境中很常见，并且会定期遇到10GB以上的文件，因此了解1GB及以上的情况非常重要.

将其另存为"readlines.rb".它什么都不做，只是在内部逐行读取整个文件，并将其附加到一个数组中，然后返回该array.由于它都是用C编写的，所以看起来速度很快:

lines = File.readlines(ARGV.shift).size
puts "#{ lines } lines read"

将其另存为"foreach.rb":

lines = 0
File.foreach(ARGV.shift) { |l| lines += 1 }
puts "#{ lines } lines read"

在笔记本电脑上运行sh ./test.sh次，我得到:

Building test files...
Testing...
ruby 2.1.2p95 (2014-05-08 revision 45877) [x86_64-darwin13.0]

读取1K文件:

Running: time ruby readlines.rb kb.txt
28 lines read

real    0m0.998s
user    0m0.386s
sys 0m0.594s
---------------------------------------
Running: time ruby foreach.rb kb.txt
28 lines read

real    0m1.019s
user    0m0.395s
sys 0m0.616s

读取1MB文件:

Running: time ruby readlines.rb mb.txt
27028 lines read

real    0m1.021s
user    0m0.398s
sys 0m0.611s
---------------------------------------
Running: time ruby foreach.rb mb.txt
27028 lines read

real    0m0.990s
user    0m0.391s
sys 0m0.591s

读取1GB文件:

Running: time ruby readlines.rb gb1.txt
27027028 lines read

real    0m19.407s
user    0m17.134s
sys 0m2.262s
---------------------------------------
Running: time ruby foreach.rb gb1.txt
27027028 lines read

real    0m10.378s
user    0m9.472s
sys 0m0.898s

读取2GB文件:

Running: time ruby readlines.rb gb2.txt
54054055 lines read

real    0m58.904s
user    0m54.718s
sys 0m4.029s
---------------------------------------
Running: time ruby foreach.rb gb2.txt
54054055 lines read

real    0m19.992s
user    0m18.765s
sys 0m1.194s

读取3GB文件:

Running: time ruby readlines.rb gb3.txt
81081082 lines read

real    2m7.260s
user    1m57.410s
sys 0m7.007s
---------------------------------------
Running: time ruby foreach.rb gb3.txt
81081082 lines read

real    0m33.116s
user    0m30.790s
sys 0m2.134s

请注意，每次文件大小增加时，readlines的运行速度是原来的两倍，而使用foreach的运行速度是线性的.在1MB的情况下，我们可以看到有些东西会影响"slurping"I/O，而不会影响逐行读取.而且，由于1MB文件现在非常常见，很容易看出，如果我们不提前考虑，它们会在程序的整个生命周期内减慢文件的处理速度.一次只发生几秒钟或几秒钟，但如果一分钟发生多次，到年底就会对绩效产生严重影响.

几年前，我在处理大型数据文件时遇到了这个问题.我使用的Perl代码在加载文件时会定期停止，因为它会重新分配内存.重新编写代码，使数据文件不发出声音，而是逐行读取和处理，极大地提高了运行速度，从五分钟多提高到不到一分钟，给了我很大的教训.

"slurping"一个文件有时很有用，尤其是当你必须跨越行边界做一些事情的时候，然而，如果你必须这样做的话，花一些时间考虑其他读取文件的方法是值得的.例如，考虑从最后的"N"行建立一个小缓冲区并扫描它.这将避免由于试图读取和保存整个文件而导致的内存管理问题.这在一个与Perl相关的博客"Perl Slurp-Eaze"中进行了讨论，该博客涵盖了"何时"和"为什么"来证明使用完整文件读取的合理性，并且很好地适用于Ruby.

如果你还有其他不想"gulp "你的文件的好理由，请阅读"How to search file text for a pattern and replace it with a given value".