如何完全加载文件并处理记录csvreader?

创建一个准确表示/镜像CSV文件的类。然后将所有内容读入该类的列表中。以下snip来自CsvHelper的文档。

var csv = new CsvReader( textReader );
var records = csv.GetRecords<MyClass>().ToList();

重要的部分是.ToList(),因为这将强制将所有数据加载到列表中,而不是在访问时生成结果。

然后,您可以对该列表执行额外的映射/提取,该列表将存储在内存中。

HashSet vs List Performance

找到真正的性能瓶颈:从磁盘读取文件内容的时间,将CSV解析到字段的时间,还是处理记录的时间?10MB的文件看起来非常小。我正在用定制的csv阅读器处理250MB以上的csv文件集,没有任何投诉。

System.IO.File.ReadLines()
.Skip(1)                  // header line. Assume trusted to be correct.
.AsParallel()
.Select(ParseRecord)      // RecordClass ParseRecord(string line)
.ForAll(ProcessRecord);   // void ProcessRecord(RecordClass)

如果有许多文件要解析,可以在不同的任务中处理每个文件,并使用异步方法最大限度地提高吞吐量。如果它们都来自同一个物理磁盘,那么您的差异将有所不同,甚至可能比单线程方法更糟糕。

更高级:

如果您知道文件只包含8位字符,那么可以对字节数组进行操作,并跳过StreamReader开销,将字节转换为字符。通过这种方式,您可以在一次调用中将整个文件读入字节数组,并在不需要支持换行转义的情况下扫描换行。在这种情况下,可以由多个线程扫描换行符,每个线程都查看字节数组的一部分。

如果您不需要支持字段转义(a,“b,c”,d),那么您可以编写一个更快的解析器,只需查找字段分隔符(通常是逗号)。如果这是一个瓶颈,您还可以将字段划分解析和字段内容解析拆分为线程,尽管内存访问局部性可能会抵消任何好处。

在某些情况下,您可能不需要将字段解析为中间数据结构(例如双精度、字符串),可以直接处理对字段开始/结束的引用,并节省一些中间数据结构的创建。