java 两个csv文件数据去重
1.pom.xml配置
<dependency>
<groupId>commons-io</groupId>
<artifactId>commons-io</artifactId>
<version>2.4</version>
</dependency>
2.实现
package com.tangxin.kafka.service; import org.apache.commons.io.FileUtils;
import org.apache.commons.io.LineIterator;
import org.springframework.util.StringUtils; import java.io.*;
import java.math.BigDecimal;
import java.util.*; /**
* 两个csv文件数据去重
*/
public class CSVDeduplication { private static final String CSV_PATH = "I:\\"; public static List<String> ids(String path) {
List<String> result = new ArrayList<>();
File csv = new File(path); // CSV文件路径
LineIterator it = null;
try {
it = FileUtils.lineIterator(csv);
while (it.hasNext()) {
String line = it.nextLine();
if (line.trim().contains("id")) {
continue;
}
String[] arr = line.split(",");
String id = arr[0];
id = id.replaceAll("\"", "").trim();
result.add(id);
}
} catch (Exception e) {
} finally {
LineIterator.closeQuietly(it);
}
return result;
} public static void main(String[] args) throws Exception {
String path1 = CSV_PATH+"100w.csv";
String path2 = CSV_PATH+"300w.csv"; List<String> ids1 = ids(path1);
Set<String> idSet1 = new HashSet<>();
Set<String> idSet2 = new HashSet<>(); for (int i = 0; i < ids1.size(); i++) {
if(StringUtils.isEmpty(ids1.get(i))){
continue;
}
idSet1.add(ids1.get(i));
} List<String> ids2 = ids(path2); for (int i = 0; i < ids2.size(); i++) {
if(StringUtils.isEmpty(ids2.get(i))){
continue;
}
idSet2.add(ids2.get(i));
} System.out.println("用户100万=" + idSet1.size());
System.out.println("用户300万=" + idSet2.size());
BigDecimal b1 = new BigDecimal(idSet1.size());
BigDecimal b2 = new BigDecimal(idSet2.size());
BigDecimal b3 = b1.add(b2);
System.out.println("用户100万和用户300万="+b3.toString()); List<String> ids4 = new ArrayList<>();//重复数据 Set<String> ids3 = new HashSet<>(); Iterator<String> iterator1 = idSet1.iterator();
while (iterator1.hasNext()){
String t1 = iterator1.next();
ids3.add(t1);
} Iterator<String> iterator2 = idSet2.iterator();
while (iterator2.hasNext()){
String t1 = iterator2.next();
ids3.add(t1);
} System.out.println("用户100万和用户300万去重=" + ids3.size()); ids1.removeAll(ids3);
ids2.removeAll(ids3);
ids4.addAll(ids1);
ids4.addAll(ids2);
System.out.println("用户100万和用户300万重复="+ids4.size()); Set<String> fiveMillion = splitHeadData(ids3, 50000); System.out.println("5W用户推送数据:" + fiveMillion.size()); List<String> staffsList = new ArrayList<>(fiveMillion); createCSV(staffsList,"5w.csv"); System.out.println("剩余推送总数:" + ids3.size()); System.out.println("============剩余总数每50w分页显示================="); List<List<String>> pageListTotal = pageList(ids3,500000); for (int i = 0; i < pageListTotal.size(); i++) {
List<String> items = pageListTotal.get(i);
createCSV(items,"50w"+i+".csv");
} } public static Set<String> splitHeadData(Set<String> mySet, int size) {
Set<String> result = new HashSet<>();
Iterator<String> iterator = mySet.iterator();
int count = 0;
while (iterator.hasNext()) {
if (count == size) {
break;
}
result.add(iterator.next());
count++;
}
mySet.removeAll(result);
return result;
} /**
* 分页list的id数据
* @return
*/
public static List<List<String>> pageList(Set<String> totalSet, int pageSize) {
List<List<String>> allIdList = new ArrayList<>();
List<String> idList = new ArrayList<>();
Iterator<String> it = totalSet.iterator();
int count = 0;
while (it.hasNext()) {
String id = it.next();
if (count > pageSize) {
allIdList.add(idList);
count = 0;
idList = new ArrayList<>();
}
idList.add(id);
count++;
}
if (idList.size() > 0) {
allIdList.add(idList);
}
return allIdList;
} /**
* 创建CSV文件
*/
public static void createCSV(List<String> list,String fileName) { // 表格头
Object[] head = {"id"};
List<Object> headList = Arrays.asList(head); //数据
List<List<Object>> dataList = new ArrayList<>();
List<Object> rowList;
for (int i = 0; i < list.size(); i++) {
rowList = new ArrayList<>();
rowList.add(list.get(i));
dataList.add(rowList);
} String filePath = CSV_PATH; //文件路径 File csvFile;
BufferedWriter csvWriter = null;
try {
csvFile = new File(filePath + fileName);
File parent = csvFile.getParentFile();
if (parent != null && !parent.exists()) {
parent.mkdirs();
}
csvFile.createNewFile(); // GB2312使正确读取分隔符","
csvWriter = new BufferedWriter(new OutputStreamWriter(new FileOutputStream(csvFile), "GB2312"), 1024); // 写入文件头部
writeRow(headList, csvWriter); // 写入文件内容
for (List<Object> row : dataList) {
writeRow(row, csvWriter);
}
csvWriter.flush();
} catch (Exception e) {
e.printStackTrace();
} finally {
try {
csvWriter.close();
} catch (IOException e) {
e.printStackTrace();
}
}
} private static void writeRow(List<Object> row, BufferedWriter csvWriter) throws IOException {
for (Object data : row) {
StringBuffer sb = new StringBuffer();
String rowStr = sb.append("\"").append(data).append("\",").toString();
csvWriter.write(rowStr);
}
csvWriter.newLine();
} }
3.开始的实现思路和后面的实现思路
3.1 开始的实现思路
读取文件1.csv,数据大概有100多万 读取文件2.csv,数据大概有300多万,然后用100万和300万的数据一个个去比较看哪些已经存在了,两个for循环,100万*300万=3万亿次 卡着不动放弃了。
然后想着用多线程把300万数据分页成每50万来跑也是跑的很。
3.2 后面的实现思路
代码就在上面,整体思路就是通过java的Set集合来去重复,因为java单个循环处理还是很快的,注意需要配置jvm参数来跑不然会内存溢出:
VM options:
-Xms1g -Xmx1g -XX:SurvivorRatio=2 -XX:+UseParallelGC
java 两个csv文件数据去重的更多相关文章
- python读取两个csv文件数据,进行查找匹配出现次数
现有需求 表1 表2 需要拿表1中的编码去表2中的门票编码列匹配,统计出现的次数,由于表2编码列是区域间,而且列不是固定的,代码如下 #encoding:utf-8 ##导入两个CSV进行比对 imp ...
- java读取目录下所有csv文件数据,存入三维数组并返回
package dwzx.com.get; import java.io.BufferedReader; import java.io.File; import java.io.FileReader; ...
- jmeter参数化、添加变量、生成随机数和导入csv文件数据
Remarks:本次使用jmeter版本为4.0 以下数据都在必应中演示: 添加普通变量 1.添加 User Defined Variables(用户自定义变量) 2.设置变量 3.使用变量 4.查看 ...
- CSV文件数据如何读取、导入、导出到新的CSV文件中以及CSV文件的创建
CSV文件数据如何读取.导入.导出到新的CSV文件中以及CSV文件的创建 一.csv文件的创建 (1)新建一个文本文档: 打开新建文本文档,进行编辑. 注意:关键字与关键字之间用英文半角逗号隔开.第一 ...
- HttpRunner学习7--引用CSV文件数据
前言 在之前的文章中,我们已经学习了 parameters 参数化,是在测试脚本中直接指定参数列表.这种方法简单易用,但如果我们的参数列表数据比较多,这种方法可能就不太适合了. 当数据量比较大的时候, ...
- C#使用Linq to csv读取.csv文件数据
前言:今日遇到了一个需要读取CSV文件类型的EXCEL文档数据的问题,原本使用NPOI的解决方案直接读取文档数据,最后失败了,主要是文件的类型版本等信息不兼容导致.其他同事有使用linq to csv ...
- C语言进行csv文件数据的读取
C语言进行csv文件数据的读取: #include <stdio.h> #include <string.h> #include <malloc.h> #inclu ...
- java调用sqlldr导入csv文件数据到临时表
package cn.com.file;import java.io.BufferedReader;import java.io.BufferedWriter;import java.io.File; ...
- java导出生成csv文件
首先我们需要对csv文件有基础的认识,csv文件类似excel,可以使用excel打开,但是csv文件的本质是逗号分隔的,对比如下图: txt中显示: 修改文件后缀为csv后显示如下: 在java中我 ...
随机推荐
- Spring注解@Value数值取值转换字符串失败
配置文件(yml)中,配置项如下: cebconfig: INST_CODE: 08801001 SFT_NOTIFY_CEB_CHANNEL: 123456 期望INST_CODE: 0880100 ...
- 通过eclipse启动tomcat设置JAVA_OPTS失败的解决方案
clipse中配置tomcat方法: Window-->Preference-->Server-->Runtime Environment-->add-->Apache ...
- JS中的var、let、const
1.var 在全局window中申明则为全局变量,是全局对象 window 的属性. var sum = 0 console.log(window.sum) console.log(sum); 在函数 ...
- 修改第三方库内容,carsh提示"image not found"
在图示位置把提示的东西加上即可 参考: iOS app with framework crashed on device, dyld: Library not loaded, Xcode 6 Beta ...
- Spring Cloud 升级最新 Finchley 版本,踩坑指南!
https://blog.csdn.net/youanyyou/article/details/81530240 Spring Cloud 升级最新 Finchley 版本,踩了所有的坑! 2018年 ...
- Docker自学纪实(六)搭建docker私有仓库
docker的镜像仓库分两种:一种是从官方公有仓库拉取:还有就是自己搭建私有仓库.官方的镜像仓库是面对整个应用市场的:私有仓库一般用于公司内部,就是公司项目自身所需的镜像.搭建私有仓库有什么好处?私有 ...
- 《Redis设计与实现》- 复制
在分布式系统中为了解决单点问题,通常会把数据复制多个副本部署到其他机器,满足故障恢复和负载均衡灯需求.Redis提供了复制功能,实现了相同数据多个副本,复制功能作是高可用Redis的基础,深入理解复制 ...
- php-5.6.26源代码 - opcode处理器,“函数调用opcode”处理器,如何调用扩展模块的函数
// opcode处理器 --- ZEND_DO_FCALL_SPEC_CONST_HANDLER实现在 php-5.6.26\Zend\zend_vm_execute.h static int ZE ...
- 477. Total Hamming Distance
class Solution { public: int totalHammingDistance(vector<int>& nums) { ; ; i < ; i++) { ...
- McNay Art Museum【McNay艺术博物馆】
McNay Art Museum When I was 17, I read a magazine artice about a museum called the McNay, once the h ...