2

好的，所以在花了两天时间试图找出问题并阅读了大量文章之后，我终于决定鼓起勇气寻求一些建议（我第一次来这里）。

现在到手头的问题 - 我正在编写一个程序，它将解析游戏中的 api 数据，即战斗日志。数据库中会有很多条目（20+ 百万），因此每个战斗日志页面的解析速度非常重要。

要解析的页面如下所示：http://api.erepublik.com/v1/feeds/battle_logs/10000/0。 （如果使用 chrome，请参阅源代码，它不会正确显示页面）。它有 1000 个命中条目，然后是一些战斗信息（最后一页显然会小于 1000）。平均而言，一个页面包含 175000 个字符，UTF-8 编码，xml 格式（v 1.0）。程序将在一台好的 PC 上本地运行，内存几乎是无限的（因此创建 byte[250000] 是完全可以的）。

格式从不改变，非常方便。

现在，我像往常一样开始：

//global vars,class declaration skipped

    public WebObject(String url_string, int connection_timeout, int read_timeout, boolean redirects_allowed, String user_agent)
                    throws java.net.MalformedURLException, java.io.IOException {
                // Open a URL connection
                java.net.URL url = new java.net.URL(url_string);
                java.net.URLConnection uconn = url.openConnection();
                if (!(uconn instanceof java.net.HttpURLConnection)) {
                    throw new java.lang.IllegalArgumentException("URL protocol must be HTTP");
                }
                conn = (java.net.HttpURLConnection) uconn;
                conn.setConnectTimeout(connection_timeout);   
                conn.setReadTimeout(read_timeout);      
                conn.setInstanceFollowRedirects(redirects_allowed);
                conn.setRequestProperty("User-agent", user_agent);
            }
     public void executeConnection() throws IOException {
            try {
                is = conn.getInputStream(); //global var
                l = conn.getContentLength(); //global var         
            } catch (Exception e) {
            //handling code skipped
            }
    }

//getContentStream and getLength methods which just return'is' and 'l' are skipped

这是有趣的部分开始的地方。我运行了一些分析（使用 System.currentTimeMillis()）来找出什么需要很长时间，什么不需要。对该方法的调用平均只需要 200 毫秒

public InputStream getWebPageAsStream(int battle_id, int page) throws Exception {
    String url = "http://api.erepublik.com/v1/feeds/battle_logs/" + battle_id + "/" + page;
    WebObject wobj = new WebObject(url, 10000, 10000, true, "Mozilla/5.0 "
            + "(Windows; U; Windows NT 5.1; en-US; rv:1.9.2.3) Gecko/20100401 Firefox/3.6.3 ( .NET CLR 3.5.30729)");
    wobj.executeConnection();
    l = wobj.getContentLength(); // global variable
    return wobj.getContentStream(); //returns 'is' stream
}

网络操作预计需要 200 毫秒，我对此很好。但是，当我以任何方式解析 inputStream（将其读入字符串/使用 java XML 解析器/将其读入另一个 ByteArrayStream）时，该过程需要超过 1000 毫秒！

例如，如果我将上面从 getContentStream() 获得的流 ('is') 直接传递给此方法，则此代码需要 1000 毫秒：

public static Document convertToXML(InputStream is) throws ParserConfigurationException, IOException, SAXException {
        DocumentBuilderFactory dbf = DocumentBuilderFactory.newInstance();
        DocumentBuilder db = dbf.newDocumentBuilder();
        Document doc = db.parse(is);
        doc.getDocumentElement().normalize();
        return doc;
    }

如果传入初始 InputStream 'is'，此代码也需要大约 920 毫秒（不要读入代码本身 - 它只是通过直接计算字符来提取我需要的数据，这可以通过严格的 api 提要格式来完成） ：

public static parsedBattlePage convertBattleToXMLWithoutDOM(InputStream is) throws IOException {
        // Point A
        BufferedReader br = new BufferedReader(new InputStreamReader(is));
        LinkedList ll = new LinkedList();
        String str = br.readLine();
        while (str != null) {
            ll.add(str);
            str = br.readLine();
        }           
        if (((String) ll.get(1)).indexOf("error") != -1) {
            return new parsedBattlePage(null, null, true, -1);
        }
        //Point B
        Iterator it = ll.iterator();
        it.next();
        it.next();       
        it.next();
        it.next();
        String[][] hits_arr = new String[1000][4];
        String t_str = (String) it.next();
        String tmp = null;
        int j = 0;
        for (int i = 0; t_str.indexOf("time") != -1; i++) {
            hits_arr[i][0] = t_str.substring(12, t_str.length() - 11);
            tmp = (String) it.next();
            hits_arr[i][1] = tmp.substring(14, tmp.length() - 9);
            tmp = (String) it.next();
            hits_arr[i][2] = tmp.substring(15, tmp.length() - 10);
            tmp = (String) it.next();
            hits_arr[i][3] = tmp.substring(18, tmp.length() - 13);
            it.next();
            it.next();
            t_str = (String) it.next();
            j++;
        }      
        String[] b_info_arr = new String[9];
        int[] space_nums = {13, 10, 13, 11, 11, 12, 5, 10, 13};
        for (int i = 0; i < space_nums.length; i++) {
            tmp = (String) it.next();
            b_info_arr[i] = tmp.substring(space_nums[i] + 4, tmp.length() - space_nums[i] - 1);
        }
        //Point C
        return new parsedBattlePage(hits_arr, b_info_arr, false, j);
    }

我尝试将默认的 BufferedReader 替换为

BufferedReader br = new BufferedReader(new InputStreamReader(is), 250000);

这并没有太大变化。我的第二次尝试是将 A 和 B 之间的代码替换为： Iterator it = IOUtils.lineIterator(is, "UTF-8");

相同的结果，除了这次 AB 是 0 毫秒，而 BC 是 1000 毫秒，所以每次调用 it.next() 都必须花费大量时间。（IOUtils 来自 apache-commons-io 库）。

这是罪魁祸首 - 将流解析为字符串所花费的时间，无论是迭代器还是 BufferedReader 在所有情况下都是大约 1000 毫秒，而其余代码花费了 0 毫秒（例如不相关）。这意味着由于某种原因将流解析为 LinkedList 或对其进行迭代会占用我的大量系统资源。问题是——为什么？难道只是java的制作方式......不......那只是愚蠢，所以我做了另一个实验。

在我的主要方法中，我在 getWebPageAsStream() 之后添加：

    //Point A
    ba = new byte[l]; // 'l'  comes from wobj.getContentLength above
    bytesRead = is.read(ba); //'is' is our URLConnection original InputStream 
    offset = bytesRead;           
    while (bytesRead != -1) {
        bytesRead = is.read(ba, offset - 1, l - offset);
        offset += bytesRead;
    }
    //Point B
    InputStream is2 = new ByteArrayInputStream(ba);
    //Now just working with 'is2' - the "copied" stream

InputStream->byte[] 转换再次花费了 1000 毫秒 - 这是许多人建议读取 InputStream 的方式，但它仍然很慢。猜猜看——上面的 2 个解析器方法（convertToXML() 和 convertBattlePagetoXMLWithoutDOM()，当传递 'is2' 而不是 'is' 时，在所有 4 种情况下，都在 50 毫秒内完成。

我读了一个建议，即流在解除阻塞之前等待连接关闭，所以我尝试使用 HttpComponentsClient 4.0 ( http://hc.apache.org/httpcomponents-client/index.html )，但最初的 InputStream 花了同样长的时间解析。例如这段代码：

public InputStream getWebPageAsStream2(int battle_id, int page) throws Exception {
        String url = "http://api.erepublik.com/v1/feeds/battle_logs/" + battle_id + "/" + page;
        HttpClient httpclient = new DefaultHttpClient();
        HttpGet httpget = new HttpGet(url);      
        HttpParams p = new BasicHttpParams();
        HttpConnectionParams.setSocketBufferSize(p, 250000);
        HttpConnectionParams.setStaleCheckingEnabled(p, false);
        HttpConnectionParams.setConnectionTimeout(p, 5000);
        httpget.setParams(p);           
        HttpResponse response = httpclient.execute(httpget);
        HttpEntity entity = response.getEntity();
        l = (int) entity.getContentLength();
        return entity.getContent();
    }

处理时间更长（仅网络需要 50 毫秒）并且流解析时间保持不变。显然它可以被实例化，以免每次都创建 HttpClient 和属性（更快的网络时间），但流问题不会受此影响。

所以我们来到了中心问题 - 为什么初始 URLConnection InputStream（或 HttpClient InputStream）需要这么长时间来处理，而在本地创建的任何相同大小和内容的流都快几个数量级？我的意思是，初始响应已经在 RAM 中的某个地方，与刚从字节 [] 创建相同的流相比，我看不出为什么它的处理速度如此缓慢。

考虑到我必须解析数百万个条目和数千个这样的页面，几乎 1.5 秒/页的总处理时间似乎太长了。

有任何想法吗？

PS请询问是否需要更多代码-解析后我唯一要做的就是制作一个PreparedStatement并将条目以1000+包的形式放入JavaDB，性能还可以~200ms / 1000个条目，prb可以通过更多缓存进行优化但我没有仔细研究它。

4

1 回答 1

1

它需要更长的时间，因为它正在从远程服务器读取。您的 executeConnection() 方法只是创建流，它实际上并没有从服务器读取整个响应。一旦您开始从流中读取，就完成了。

于 2010-05-17T03:13:14.703 回答