Node.jsでの巨大なログファイルの解析-1行ずつ読み込む

Javascript / Node.jsで大きな（5-10 Gb）ログファイルを解析する必要があります（私はCubeを使用しています）。

ログラインは次のようになります。

10:00:43.343423 I'm a friendly log message. There are 5 cats, and 7 dogs. We are in state "SUCCESS".

私たちは、それぞれの行を読んで、いくつかの解析（例えば取り除く行う必要がある5、7とSUCCESS）を、その後、キューブ（にこのデータをポンプhttps://github.com/square/cube彼らのJSクライアントを使用して）。

まず、ノードでファイルを1行ずつ読み取るための標準的な方法は何ですか？

オンラインでよくある質問のようです：

• http://www.quora.com/What-is-the-best-way-to-read-a-file-line-by-line-in-node-js
• node.jsで一度に1行ずつファイルを読み取りますか？

答えの多くはサードパーティのモジュールの束を指しているようです：

• https://github.com/nickewing/line-reader
• https://github.com/jahewson/node-byline
• https://github.com/pkrumins/node-lazy
• https://github.com/Gagle/Node-BufferedReader

しかし、これはかなり基本的なタスクのようです-確かに、stdlib内でテキストファイルを行ごとに読み取る簡単な方法はありますか？

次に、各行を処理する必要があります（たとえば、タイムスタンプをDateオブジェクトに変換し、有用なフィールドを抽出します）。

これを実行してスループットを最大化する最良の方法は何ですか？各行の読み取り、またはキューブへの送信のいずれかをブロックしない方法はありますか？

3番目に、文字列分割を使用していると思いますが、JSのcontains（IndexOf！= -1？）に相当するものは、正規表現よりもはるかに高速です。Node.jsで大量のテキストデータを解析した経験はありますか？

乾杯、ビクター

ストリームを使用して行ごとに非常に大きなファイル（GBS）を解析するソリューションを検索しました。サードパーティのライブラリとサンプルはすべて、1行ずつではなく（1、2、3、4 ..など）ファイルを処理したり、ファイル全体をメモリに読み込んだりするため、私のニーズに合いませんでした。

次のソリューションでは、ストリームとパイプを使用して、非常に大きなファイルを1行ずつ解析できます。テストでは、17.000.000レコードの2.1 GBファイルを使用しました。RAMの使用量は60 MBを超えませんでした。

まず、イベントストリームパッケージをインストールします。

npm install event-stream

次に：

var fs = require('fs')
    , es = require('event-stream');

var lineNr = 0;

var s = fs.createReadStream('very-large-file.csv')
    .pipe(es.split())
    .pipe(es.mapSync(function(line){

        // pause the readstream
        s.pause();

        lineNr += 1;

        // process line here and call s.resume() when rdy
        // function below was for logging memory usage
        logMemoryUsage(lineNr);

        // resume the readstream, possibly from a callback
        s.resume();
    })
    .on('error', function(err){
        console.log('Error while reading file.', err);
    })
    .on('end', function(){
        console.log('Read entire file.')
    })
);

どうなるか教えてください！

組み込みreadlineパッケージを使用できます。こちらのドキュメントをご覧ください。streamを使用して、新しい出力ストリームを作成します。

var fs = require('fs'),
    readline = require('readline'),
    stream = require('stream');

var instream = fs.createReadStream('/path/to/file');
var outstream = new stream;
outstream.readable = true;
outstream.writable = true;

var rl = readline.createInterface({
    input: instream,
    output: outstream,
    terminal: false
});

rl.on('line', function(line) {
    console.log(line);
    //Do your stuff ...
    //Then write to outstream
    rl.write(cubestuff);
});

大きなファイルは処理に時間がかかります。それが機能するかどうか教えてください。

私は@gerardの回答が本当に気に入りました。私はいくつかの改善を行いました：

• コードはクラスにあります（モジュラー）
• 解析が含まれています
• 非同期ジョブがDBへの挿入やHTTPリクエストのようなCSVの読み取りにチェーンされている場合、再開する機能が外部に与えられます。
• ユーザーが宣言できるチャンク/バッチサイズで読み取る。異なるエンコーディングのファイルがある場合に備えて、ストリーム内のエンコーディングも担当しました。

これがコードです：

'use strict'

const fs = require('fs'),
    util = require('util'),
    stream = require('stream'),
    es = require('event-stream'),
    parse = require("csv-parse"),
    iconv = require('iconv-lite');

class CSVReader {
  constructor(filename, batchSize, columns) {
    this.reader = fs.createReadStream(filename).pipe(iconv.decodeStream('utf8'))
    this.batchSize = batchSize || 1000
    this.lineNumber = 0
    this.data = []
    this.parseOptions = {delimiter: '\t', columns: true, escape: '/', relax: true}
  }

  read(callback) {
    this.reader
      .pipe(es.split())
      .pipe(es.mapSync(line => {
        ++this.lineNumber

        parse(line, this.parseOptions, (err, d) => {
          this.data.push(d[0])
        })

        if (this.lineNumber % this.batchSize === 0) {
          callback(this.data)
        }
      })
      .on('error', function(){
          console.log('Error while reading file.')
      })
      .on('end', function(){
          console.log('Read entirefile.')
      }))
  }

  continue () {
    this.data = []
    this.reader.resume()
  }
}

module.exports = CSVReader

したがって、基本的には、次のように使用します。

let reader = CSVReader('path_to_file.csv')
reader.read(() => reader.continue())

私はこれを35GBのCSVファイルでテストしましたが、うまくいきました。そのため、@ gerardの回答に基づいて構築することにし ました。フィードバックは歓迎されます。

テキストファイルから1 000 000行以上を読み取るために、https：//www.npmjs.com/package/line-by-lineを使用しました。この場合、RAMの占有容量は約50〜60メガバイトでした。

    const LineByLineReader = require('line-by-line'),
    lr = new LineByLineReader('big_file.txt');

    lr.on('error', function (err) {
         // 'err' contains error object
    });

    lr.on('line', function (line) {
        // pause emitting of lines...
        lr.pause();

        // ...do your asynchronous line processing..
        setTimeout(function () {
            // ...and continue emitting lines.
            lr.resume();
        }, 100);
    });

    lr.on('end', function () {
         // All lines are read, file is closed now.
    });

大きなファイルを1行ずつ読み取るだけでなく、チャンクごとに読み取ることもできます。詳細については、この記事を参照してください

var offset = 0;
var chunkSize = 2048;
var chunkBuffer = new Buffer(chunkSize);
var fp = fs.openSync('filepath', 'r');
var bytesRead = 0;
while(bytesRead = fs.readSync(fp, chunkBuffer, 0, chunkSize, offset)) {
    offset += bytesRead;
    var str = chunkBuffer.slice(0, bytesRead).toString();
    var arr = str.split('\n');

    if(bytesRead = chunkSize) {
        // the last item of the arr may be not a full line, leave it to the next chunk
        offset -= arr.pop().length;
    }
    lines.push(arr);
}
console.log(lines);

Node.jsドキュメントは、Readlineモジュールを使用した非常にエレガントな例を提供します。

例：ファイルストリームを行ごとに読み取る

const fs = require('fs');
const readline = require('readline');

const rl = readline.createInterface({
    input: fs.createReadStream('sample.txt'),
    crlfDelay: Infinity
});

rl.on('line', (line) => {
    console.log(`Line from file: ${line}`);
});

注：crlfDelayオプションを使用して、CR LF（ '\ r \ n'）のすべてのインスタンスを単一の改行として認識します。

私はまだ同じ問題を抱えていました。この機能を備えていると思われるいくつかのモジュールを比較した後、私は自分で行うことにしました。思ったよりも簡単です。

gist：https : //gist.github.com/deemstone/8279565

var fetchBlock = lineByline(filepath, onEnd);
fetchBlock(function(lines, start){ ... });  //lines{array} start{int} lines[0] No.

クロージャで開かれたファイルをカバーし、fetchBlock()返されたファイルからブロックをフェッチし、配列に分割して終了します（最後のフェッチからのセグメントを扱います）。

読み取り操作ごとにブロックサイズを1024に設定しました。これにはバグがあるかもしれませんが、コードロジックは明白です。自分で試してください。

node-bylineはストリームを使用するので、巨大なファイルにはそれを使用します。

あなたの日付変換のために私はmoment.jsを使用します。

スループットを最大化するには、ソフトウェアクラスタの使用を検討してください。ノードネイティブのクラスターモジュールを非常にうまくラップするniceモジュールがいくつかあります。以下のような私クラスタ・マスター・アイザックスから。たとえば、すべてファイルを計算するxワーカーのクラスターを作成できます。

分割と正規表現のベンチマークには、benchmark.jsを使用します。今までテストしていません。benchmark.jsはノードモジュールとして利用可能です

この質問の回答に基づいて、で行ごとにファイルを同期的に読み取るために使用できるクラスを実装しましたfs.readSync()。Qpromise を使用して、この「一時停止」と「再開」を行うことができます（jQueryDOMが必要なため、で実行できないようですnodejs）。

var fs = require('fs');
var Q = require('q');

var lr = new LineReader(filenameToLoad);
lr.open();

var promise;
workOnLine = function () {
    var line = lr.readNextLine();
    promise = complexLineTransformation(line).then(
        function() {console.log('ok');workOnLine();},
        function() {console.log('error');}
    );
}
workOnLine();

complexLineTransformation = function (line) {
    var deferred = Q.defer();
    // ... async call goes here, in callback: deferred.resolve('done ok'); or deferred.reject(new Error(error));
    return deferred.promise;
}

function LineReader (filename) {      
  this.moreLinesAvailable = true;
  this.fd = undefined;
  this.bufferSize = 1024*1024;
  this.buffer = new Buffer(this.bufferSize);
  this.leftOver = '';

  this.read = undefined;
  this.idxStart = undefined;
  this.idx = undefined;

  this.lineNumber = 0;

  this._bundleOfLines = [];

  this.open = function() {
    this.fd = fs.openSync(filename, 'r');
  };

  this.readNextLine = function () {
    if (this._bundleOfLines.length === 0) {
      this._readNextBundleOfLines();
    }
    this.lineNumber++;
    var lineToReturn = this._bundleOfLines[0];
    this._bundleOfLines.splice(0, 1); // remove first element (pos, howmany)
    return lineToReturn;
  };

  this.getLineNumber = function() {
    return this.lineNumber;
  };

  this._readNextBundleOfLines = function() {
    var line = "";
    while ((this.read = fs.readSync(this.fd, this.buffer, 0, this.bufferSize, null)) !== 0) { // read next bytes until end of file
      this.leftOver += this.buffer.toString('utf8', 0, this.read); // append to leftOver
      this.idxStart = 0
      while ((this.idx = this.leftOver.indexOf("\n", this.idxStart)) !== -1) { // as long as there is a newline-char in leftOver
        line = this.leftOver.substring(this.idxStart, this.idx);
        this._bundleOfLines.push(line);        
        this.idxStart = this.idx + 1;
      }
      this.leftOver = this.leftOver.substring(this.idxStart);
      if (line !== "") {
        break;
      }
    }
  }; 
}

import * as csv from 'fast-csv';
import * as fs from 'fs';
interface Row {
  [s: string]: string;
}
type RowCallBack = (data: Row, index: number) => object;
export class CSVReader {
  protected file: string;
  protected csvOptions = {
    delimiter: ',',
    headers: true,
    ignoreEmpty: true,
    trim: true
  };
  constructor(file: string, csvOptions = {}) {
    if (!fs.existsSync(file)) {
      throw new Error(`File ${file} not found.`);
    }
    this.file = file;
    this.csvOptions = Object.assign({}, this.csvOptions, csvOptions);
  }
  public read(callback: RowCallBack): Promise < Array < object >> {
    return new Promise < Array < object >> (resolve => {
      const readStream = fs.createReadStream(this.file);
      const results: Array < any > = [];
      let index = 0;
      const csvStream = csv.parse(this.csvOptions).on('data', async (data: Row) => {
        index++;
        results.push(await callback(data, index));
      }).on('error', (err: Error) => {
        console.error(err.message);
        throw err;
      }).on('end', () => {
        resolve(results);
      });
      readStream.pipe(csvStream);
    });
  }
}

import { CSVReader } from '../src/helpers/CSVReader';
(async () => {
  const reader = new CSVReader('./database/migrations/csv/users.csv');
  const users = await reader.read(async data => {
    return {
      username: data.username,
      name: data.name,
      email: data.email,
      cellPhone: data.cell_phone,
      homePhone: data.home_phone,
      roleId: data.role_id,
      description: data.description,
      state: data.state,
    };
  });
  console.log(users);
})();

大きなファイルを非同期でテキストまたはJSONで読み取るためのノードモジュールを作成しました。大きなファイルでテストされています。

var fs = require('fs')
, util = require('util')
, stream = require('stream')
, es = require('event-stream');

module.exports = FileReader;

function FileReader(){

}

FileReader.prototype.read = function(pathToFile, callback){
    var returnTxt = '';
    var s = fs.createReadStream(pathToFile)
    .pipe(es.split())
    .pipe(es.mapSync(function(line){

        // pause the readstream
        s.pause();

        //console.log('reading line: '+line);
        returnTxt += line;        

        // resume the readstream, possibly from a callback
        s.resume();
    })
    .on('error', function(){
        console.log('Error while reading file.');
    })
    .on('end', function(){
        console.log('Read entire file.');
        callback(returnTxt);
    })
);
};

FileReader.prototype.readJSON = function(pathToFile, callback){
    try{
        this.read(pathToFile, function(txt){callback(JSON.parse(txt));});
    }
    catch(err){
        throw new Error('json file is not valid! '+err.stack);
    }
};

ファイルをfile-reader.jsとして保存し、次のように使用します。

var FileReader = require('./file-reader');
var fileReader = new FileReader();
fileReader.readJSON(__dirname + '/largeFile.json', function(jsonObj){/*callback logic here*/});