PHP 读取大文件源码示例-Swoole 多进程读取大文件

PHP 读取大文件源码示例，通过 PHP 读取过大、超大型文件的思路及解决方案。

在日常读取文件时，若文件不是很大，通常使用file_get_contents,将内容一次性载入的变量中，也可以远程加载网页或者远端文件。

若加载超过 PHP 限制的内存大小，或者超过本机内存大小的文件进程就会报错或者崩掉。

为了解决这个问题，我们采用使用完毕并释放的原则来读取大文件。

单线程读入

如果不考虑多线程的情况下，单线程读取大文件采用while fread就可以实现。

如下代码

$handle = fopen("./big.txt", "rb");
while (!feof($handle)) {
  $contents = fread($handle, 8192);
  // 业务处理
  unset($contents); // 释放掉变量
}
fclose($handle);

feof 是判断是否到文件尾，如果没有到文件尾，则会一直 while 循环，并执行读取操作。每次读取 8192 字节，然后使用过后将其释放掉。

往往很多文件并不是一行的，有多行内容。需要将每行内容读取出来当做一条数据处理，也可以使用 fgets。

即如下代码：

$handle = fopen("./big.txt", "rb");
while (!feof($handle)) {
  $contents = fgets($handle, 1024);
  // 业务处理
  unset($contents); // 释放掉变量
}
fclose($handle);

这里的 fgets 第二个参数，默认为 1024 字节。即默认读取一行数据，如果一行数据小于 1024 字节，则完整读取。如果超出 1024 字节，则只取前 1024 字节。遇到换行符"\n"或者"\r\n"或者结束符会停止读取。

如果遇到变态的文件，很多行都只有 1000 长度，某一行有 8000 长度，如果在不清楚的情况下，就很难掌控，若要完整读取就需要指定读取的最大字节，8000 才能将每一行完整读取。

还有一种方法就是自己处理换行符。默认读取 1024 字节，然后放置到内存中，使用过后再将其释放。这种操作很节省内存，但是在逻辑处理上需要自己处理换行符。

如，读取 1024 字节，没有换行符，则保存数据继续读取。再读取 1024 字节，判断其中是否有换行符，如果有则处理最开始到换行符中的数据。再将剩下的数据保存，等待下一次读取，直到整个文件读取完毕。

$handle = fopen("./big.txt", "rb");
$contents = "";
while (!feof($handle)) {
  $contents .= fread($handle, 8192);

  // 判断读取到的内容是否包含换行符，包含则进入循环体
  while(strpos($contents, "\n") !== false){
      $eol_pos= strpos($contents, "\n");
      $line = substr($contents, 0, $eol_pos);
      // $line 为一行的数据，进行业务处理，并释放
      unset($line);

      $contents = substr($eol_pos, 0);// 将剩余内容放置到变量中以供下次使用
  }
}
fclose($handle);

多线程读取

PHP 默认没有多线程，这里可以采用多进程的方式实现，或者 swoole 的多进程来实现。

例如读取一个 8GB 文件，分 8 个线程，每个线程读取 1GB 数据内容。或者更多线程进行拆分工作内容。

获取文件大小

首先第一步，就是获取整个文件的体积大小，然后计算每个线程应该负责处理的一部分内容。

function length($filename)
{
	$handle = fopen($filename, "rb");
	$currentPos = ftell($handle);
	fseek($handle, 0, SEEK_END);
	$length = ftell($handle);
	fseek($handle, $currentPos);
	// $length 文件总长度
	return $length;
}
echo length("./big.txt");

处理逻辑实现过程

这里主要说明下作了哪些内容，首先是设定分配总的线程数。然后根据设置的线程数，计算每个线程要读取的数据大小，即从哪里开始读，读到哪里结束。

然后必定会出现拆分后，读到不完整行的情况，在这里来解决这种前半行或者后半行的意外情况。

解决逻辑就是，假设线程开始的读取位置在某一行的中间，我们一个字符向前移动，移动到上个换行符（也可能是最开始）即可获取到整行文本内容。

处理掉残行数据之后，使用 yield 来传递数据给业务处理。

$filename = "./big.txt";
$maxProcess = 8;// 分配 8 个线程


$length = length($filename);
$singleProcessLength = ceil($length / $maxProcess);

// 线程负责读取的内容
function processRead($filename, $index, $singleProcessLength)
{
	$fh = fopen($filename, 'r');
	
	$beginPos = $index * $singleProcessLength;
	//结束位置=线程序列*线程处理数据长度+线程处理数据 - 1 (长度转指针，实际结束指针小于结束长度)
	$endPos = $index * $singleProcessLength + $singleProcessLength - 1;

	fseek($fh, $beginPos);
	echo '线程:' . $index . '，起始位置:' . $beginPos . '，结束位置:' . $endPos . PHP_EOL;
	//移动到上个\n 以便首次顺利获取整行内容
	while (fseek($fh, -1, SEEK_CUR) === 0) {
		if (fread($fh, 1) == "\n" || ftell($fh) <= 0) {
			break;
		}
		fseek($fh, -1, SEEK_CUR);
	}
	echo '线程:' . $index . '，移动完毕!!!!!' . PHP_EOL;

	//整行读取数据
	//结束时位置超过预计结束位置是正常状况，fgets 读取一整行内容
	//预计结束位置可能在行内，所以产生不同结果。
	while (ftell($fh) <= $endPos && !feof($fh)) {
		yield $raw = fgets($fh);
	}
	echo '进程' . $index . '结束时 指针位置:' . ftell($fh) . ', 应该到:' . $endPos . PHP_EOL;
	fclose($fh);
}

foreach(range(0,$maxProcess - 1) as $index){
	// 多线程采用多线程的方式创建，这里采用 yield 回调。
	foreach(processRead($filename, $index, $singleProcessLength) as $value){
        // $value 为每一行的内容，处理后释放
        unset($value);
    } 
}

如上所述就是 PHP 的大文件读取解决方案，大部分用于多线程读取大文件场景。