学步园

如下的程序，将一个行数为fileLines的文本文件平均分为splitNum个小文本文件，其中换行符'r'是linux上的，windows的java换行符是'\r\n'：

package kddcup2012.task2.FileSystem;

import java.io.BufferedInputStream;
import java.io.BufferedReader;
import java.io.File;
import java.io.FileInputStream;
import java.io.FileWriter;
import java.io.IOException;
import java.io.InputStreamReader;

public class FileSplit
{	
	public static void main(String[] args) throws IOException
	{
		long timer = System.currentTimeMillis();
		int bufferSize = 20 * 1024 * 1024;//设读取文件的缓存为20MB
		
		//建立缓冲文本输入流
		File file = new File("/media/Data/毕业设计/kdd cup/数据/userid_profile.txt");
		FileInputStream fileInputStream = new FileInputStream(file);
		BufferedInputStream bufferedInputStream = new BufferedInputStream(fileInputStream);
		InputStreamReader inputStreamReader = new InputStreamReader(bufferedInputStream);
		BufferedReader input = new BufferedReader(inputStreamReader, bufferSize);
		
		int splitNum = 112-1;//要分割的块数减一
		int fileLines = 23669283;//输入文件的行数
		long perSplitLines = fileLines / splitNum;//每个块的行数
		for (int i = 0; i <= splitNum; ++i)
		{
			//分割
			//每个块建立一个输出
			FileWriter output = new FileWriter("/home/haoqiong/part" + i + ".txt");
			String line = null;
			//逐行读取，逐行输出
			for (long lineCounter = 0; lineCounter < perSplitLines && (line = input.readLine()) != null; ++lineCounter)
			{
				output.append(line + "\r");
			}
			output.flush();
			output.close();
			output = null;
		}
		input.close();
		timer = System.currentTimeMillis() - timer;
		System.out.println("处理时间：" + timer);
	}
}

以上程序处理大文本文件只需要30MB左右的内存空间（这和所设的读取缓冲大小有关），但是速度不是很快，在磁盘没有其他程序占用的情况下，将200MB文件分割为112份需要20秒（机器配置：Centrino2 P7450 CPU，2GB DDR3内存，Ubuntu11.10系统，硬盘最大读写速度大约60MB/S）。

另外，对于几百兆到2GB大小的文件，使用内存映射文件的话，速度会块一些，但是内存映射由于映射的文件长度不能超过java中int类型的最大值，所以只能处理2GB以下的文件。该方式参考：

http://www.cnblogs.com/phoebus0501/archive/2010/12/06/1897870.html

http://www.oschina.net/code/snippet_12_247

http://blog.sina.com.cn/s/blog_63743d1c0100q1ti.html