Node.js 逐行读取文件的 4 种方法

Node.js可以同步或异步的方式逐行读取文件内容。其中,异步方式可以读取大型文件而不需要同时加载文件所有内容。

本文介绍4种逐行读取文件内容的Node.js操作,并做了性能测试,优劣评判。

内容

  • 准备
  • 测试文件
  • 同步读取
  • Readline
  • N-readlines
  • Line reader
  • 其它方法
  • 快速对比
  • 总结

准备

在写代码之前,要做以下准备:

  • 安装 Node.js 10+
  • 熟悉NPM
  • 了解NodeJs事件驱动和非阻塞机制
  • 了解stream 流数据

测试文件

故意选了一个相对较大(90MB)、行数较多(798148 行)的 broadband.sql 文件,以便做性能测试。

同步方式

1
2
3
4
5
6
7
8
9
const fs = require('fs');

const allFileContents = fs.readFileSync('broadband.sql', 'utf-8');
allFileContents.split(/\r?\n/).forEach(line =>  {
  console.log(`Line from file: ${line}`);
});

const used = process.memoryUsage().heapUsed / 1024 / 1024;
console.log(`The script uses approximately ${Math.round(used * 100) / 100} MB`);

把文件读取内存之中,按行分割,循环打印各行。

执行脚本

1
node readfilesync.js

内存消耗200MB+,费时2-3分钟。

The script uses approximately 238.74 MB

如果文件大小1GB,不推荐使用同步读取的方式,内存消耗太大。

接下来,我们将研究一种更高效的异步方式,通过 readline 和另一个原生 Node.js 模块的 stream 逐行读取文件。

Readline

Readline 是Node.js原生模块,无需安装。它提供了用于从可读流(例如 process.stdin)每次一行地读取数据的接口。每当 input 流接收到行尾输入(\n、\r 或 \r\n)时,则会触发 ‘line’ 事件。

下面是带有可读流的 readline 的代码示例:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
const events = require('events');
const fs = require('fs');
const readline = require('readline');

(async function processLineByLine() {
  try {
    const rl = readline.createInterface({
      input: fs.createReadStream('broadband.sql'),
      crlfDelay: Infinity
    });

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

    await events.once(rl, 'close');

    console.log('Reading file line by line with readline done.');
    const used = process.memoryUsage().heapUsed / 1024 / 1024;
    console.log(`The script uses approximately ${Math.round(used * 100) / 100} MB`);
  } catch (err) {
    console.error(err);
  }
})();

理解一下以上代码:

•首先引入Node.js的3个原生模块 eventsfs, 和 readline。•定义了一个名为 processLineByLine 的异步函数,它为 readline 创建了一个接口,其中输入是我们传递 90 MB 测试文件的读取流。•设置为无穷大的 crlfDelay 。crlfDelay 如果 \r 和 \n 之间的延迟超过 crlfDelay 毫秒,则 \r 和 \n 都将被视为单独的行尾输入。 crlfDelay 将被强制为不小于 100 的数字。 它可以设置为 Infinity,在这种情况下,\r 后跟 \n 将始终被视为单个换行符(这对于具有 \r\n 行分隔符的文件读取可能是合理的)。 默认值: 100。•在可读流交互时,每读取一行,就会触发 rl.on 读行函数。此时,就可以从流中读取的行的内容。•然后我们用 events.once 监听 readline 关闭事件,它创建一个 Promise,该 Promise 将使用一个包含所有发送给给定事件的参数的数组来解析。在这种情况下,它将是一个空数组。•最后记录内存使用情况

执行脚本

1
node readline.js

结果耗时很长(5-8分钟左右),内容占用率较低。

The script uses approximately 5.77 MB

N-readlines

N-readline 是一个 NPM 模块,它可以逐行读取文件,而不会将整个文件缓冲在内存中。它在不使用流的情况下,通过使用 Buffer 和本机文件系统模块以块的形式读取文件的内容。即使它以同步方式工作,它也不会将整个文件加载到内存中。

首先,安装 n-readlines 模块

1
npm i --save n-readlines:

通过N-readlines逐行读取文件如下:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
const nReadlines = require('n-readlines');
const broadbandLines = new nReadlines('broadband.sql');

let line;
let lineNumber = 1;

while (line = broadbandLines.next()) {
    console.log(`Line ${lineNumber} has: ${line.toString('ascii')}`);
    lineNumber++;
}

console.log('end of file.');
const used = process.memoryUsage().heapUsed / 1024 / 1024;
console.log(`The script uses approximately ${Math.round(used * 100) / 100} MB`);

以上代码相对较为简节。

•首先,引入 N-readlines 模块•创建一个读取文件的实例。默认参数是文件名, readChunk 和 newLineCharacter 可以作为第二个参数传入 。这里只使用文件名参数。•定义两个变量 line 和 lineNumber 。 Line 变量将保存文件每一行的字符串,而 lineNumber 将保存从 1 到文件行数的行号。•最后,文件读取结束之后打印出大概的内存使用情况。

执行脚本

1
node n-readlines.js

耗时巨长,内存消耗小。

The script uses approximately 4.09 MB

Line reader

Line reader 模块将自己定义为“支持用户定义的行分隔符的异步、缓冲、逐行文件/流读取器”。它提供 eachLine 函数读取给定文件的每一行。eachLine的回调函数中的last变量可用于确定是否已到达文件的最后一行。

下面是使用 line reader 读取我们相对较大的 90 MB SQL 文件的工作示例,我们使用 npm i –save line-reader 安装它。完整代码如下:

1
2
3
4
5
6
7
8
9
10
const lineReader = require('line-reader');

lineReader.eachLine('broadband.sql', function(line, last) {
  console.log(`Line from file: ${line}`);
  if(last) {
    console.log('Last line printed.');
    const used = process.memoryUsage().heapUsed / 1024 / 1024;
    console.log(`The script uses approximately ${Math.round(used * 100) / 100} MB`);
  }
});

代码解析

•首先,引入 line-reader 模块•调用 eachLine 函数,将文件名(或文件路径)作为第一个参数传递。•第2个参数是一个回调函数,包含 line 和 last 变量。•在回调函数中打印行内容。•最后,如果我们发现最后一个变量为真,这表明我们已经到达文件的末尾,打印出用于逐行读取文件的内存消耗。

执行脚本

1
node line-reader.js

时长感人,内存占用极少。

The script uses approximately 2.48 MB

其它方式

还有其他选项可以使用 Node.js 逐行读取文件。有一个非常流行的 NPM 模块叫做 readline ,但由于与原生 Node.js 模块的名称冲突,现在它已重命名为 Line By LIne。它的工作方式与本机 readline 模块非常相似

其他不太流行但可用的模块有 readline 和 readlines-ng,它们在每周仅被下载了大约 3 次。

使用JavaScript 数组函数,可以非常方便对于文件内容的进一步处理。

快速比较

在 NPM Trends 上对这四个 NPM 模块的快速比较显示,N-readlines 是下载量最大的模块,上周下载量为 56K。第二个是上周下载量为 46K 的 line-reader,但请记住 line-reader 最近一次更新是在 6 年前。以下是过去 1 年的下载快照:

推荐优先选择流行的类库,最近更新的类库是n-readlines,更新时间为1年前。

readline 和 readlines ng 的下载量约为每周 3 次,而 line reader 和 n-readlines 的下载量分别为 46K 和 56K。

在内存和 CPU 使用率方面,除了第一个 fs.readfilesync 之外的所有其他基于流或回调的方法,都消耗内存低于 10 MB ,并在 10 秒前完成,CPU 使用率为 70-94%。对于 90 MB 的文件,读取文件同步消耗了 225 MB 的内存。