为什么“吞食”文件不是一个好习惯？

为什么“slurping”文件对于普通文本文件 I/O 来说不是一个好的做法，它什么时候有用？

例如，为什么我不应该使用这些？

File.read('/path/to/text.txt').lines.each do |line|
  # do something with a line
end

or

File.readlines('/path/to/text.txt').each do |line|
  # do something with a line
end

我们一次又一次地看到询问如何读取文本文件以逐行处理它的问题，这些问题使用以下变体read, or readlines，一次将整个文件拉入内存。

的文档read says:

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

的文档readlines says:

将按名称指定的整个文件读取为单独的行，并以数组形式返回这些行。 [...]

拉入小文件没什么大不了的，但是随着传入数据缓冲区的增长，内存必须被重新洗牌，这会消耗 CPU 时间。此外，如果数据消耗太多空间，操作系统就必须介入才能保持脚本运行并开始假脱机到磁盘，这将使程序崩溃。在 HTTPd（网络主机）或需要快速响应的东西上，它会削弱整个应用程序。

Slurping 通常是基于对文件 I/O 速度的误解，或者认为先读取然后分割缓冲区比一次读取一行更好。

这里有一些测试代码来演示“slurping”引起的问题。

将其保存为“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 

它创建五个大小不断增加的文件。 1K 文件很容易处理，而且很常见。过去 1MB 文件被认为是大文件，但现在它们很常见。 1GB 在我的环境中很常见，并且会定期遇到超过 10GB 的文件，因此了解 1GB 及以上会发生什么情况非常重要。

将其保存为“readlines.rb”。它不做任何事情，只是在内部逐行读取整个文件，并将其附加到然后返回的数组中，而且看起来它会很快，因为它都是用 C 编写的：

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

将其保存为“foreach.rb”：

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

Running sh ./test.sh在我的笔记本电脑上我得到：

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

注意如何readlines每次文件大小增加时，运行速度都会慢两倍，并且使用foreach线性减慢。在 1MB 时，我们可以看到有一些东西会影响“slurping”I/O，但不会影响逐行读取。而且，由于 1MB 文件如今非常常见，因此很容易看出，如果我们不提前考虑，它们会在程序的生命周期内减慢文件的处理速度。这里只有几秒钟，或者当它们发生一次时没有太多，但如果它们每分钟发生多次，到年底就会对性能产生严重影响。

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 代码会定期停止，因为它在加载文件时重新分配内存。重写代码以不读取数据文件，而是逐行读取和处理它，这极大地提高了运行速度，从运行五分钟多到不到一分钟，这给了我一个重要的教训。

“slurping”文件有时很有用，特别是当您必须跨行边界执行某些操作时，但是，如果必须这样做，则值得花一些时间考虑读取文件的替代方法。例如，考虑维护一个由最后“n”行构建的小缓冲区并扫描它。这将避免由于尝试读取和保存整个文件而导致的内存管理问题。这在 Perl 相关博客中进行了讨论“Perl Slurp-Eaze”其中涵盖了“何时”和“为什么”来证明使用完整文件读取的合理性，并且非常适用于 Ruby。

对于不要“吞食”文件的其他绝佳理由，请阅读“如何在文件文本中搜索模式并将其替换为给定值".