java - 从urlconnection的输入流中读取时速度变慢(即使使用byte []和缓冲区)

Question

好吧，在花了两天时间试图解决问题并阅读了不计其数的文章之后，我终于决定动身并寻求一些建议（这是我第一次来）。

现在要解决的问题-我正在编写一个程序来解析游戏中的api数据，即战斗日志。数据库中将有很多条目（20+百万），因此每个战斗日志页面的解析速度都相当重要。

要解析的页面如下所示：http://api.erepublik.com/v1/feeds/battle_logs/10000/0.
（如果使用的是chrome，请参见源代码，它不会正确显示页面）。它有1000个命中条目，其后是一些战斗信息（最后一页显然会小于1000）。页面平均包含175000个字符，UTF-8编码，xml格式（v 1.0）。程序将在良好的PC上本地运行，内存实际上是无限的（因此，创建byte [250000]是可以的）。

格式永远不变，这非常方便。

现在，我像往常一样开始：

//global vars,class declaration skipped

    public WebObject(String url_string, int connection_timeout, int read_timeout, boolean redirects_allowed, String user_agent)
                    throws java.net.MalformedURLException, java.io.IOException {
                // Open a URL connection
                java.net.URL url = new java.net.URL(url_string);
                java.net.URLConnection uconn = url.openConnection();
                if (!(uconn instanceof java.net.HttpURLConnection)) {
                    throw new java.lang.IllegalArgumentException("URL protocol must be HTTP");
                }
                conn = (java.net.HttpURLConnection) uconn;
                conn.setConnectTimeout(connection_timeout);   
                conn.setReadTimeout(read_timeout);      
                conn.setInstanceFollowRedirects(redirects_allowed);
                conn.setRequestProperty("User-agent", user_agent);
            }
     public void executeConnection() throws IOException {
            try {
                is = conn.getInputStream(); //global var
                l = conn.getContentLength(); //global var         
            } catch (Exception e) {
            //handling code skipped
            }
    }

//getContentStream and getLength methods which just return'is' and 'l' are skipped

这是有趣的部分开始的地方。
我运行了一些配置文件（使用System.currentTimeMillis（）），以找出耗时长而又不需要的时间。
对该方法的调用平均仅需200毫秒

public InputStream getWebPageAsStream(int battle_id, int page) throws Exception {
    String url = "http://api.erepublik.com/v1/feeds/battle_logs/" + battle_id + "/" + page;
    WebObject wobj = new WebObject(url, 10000, 10000, true, "Mozilla/5.0 "
            + "(Windows; U; Windows NT 5.1; en-US; rv:1.9.2.3) Gecko/20100401 Firefox/3.6.3 ( .NET CLR 3.5.30729)");
    wobj.executeConnection();
    l = wobj.getContentLength(); // global variable
    return wobj.getContentStream(); //returns 'is' stream
}

从网络操作中可以预料到200毫秒，我对此表示满意。
但是当我以任何方式解析inputStream（将其读入字符串/使用java XML解析器/将其读入另一个ByteArrayStream）时，该过程将花费1000毫秒以上！

例如，如果我将上面从getContentStream（）获得的流（是）直接传递给此方法，则此代码花费1000ms：

public static Document convertToXML(InputStream is) throws ParserConfigurationException, IOException, SAXException {
        DocumentBuilderFactory dbf = DocumentBuilderFactory.newInstance();
        DocumentBuilder db = dbf.newDocumentBuilder();
        Document doc = db.parse(is);
        doc.getDocumentElement().normalize();
        return doc;
    }

如果传入初始InputStream'is'，此代码也需要大约920ms（不要读入代码本身-它只是通过直接计算字符来提取我需要的数据，这要归功于严格的api提要格式） ：

public static parsedBattlePage convertBattleToXMLWithoutDOM(InputStream is) throws IOException {
        // Point A
        BufferedReader br = new BufferedReader(new InputStreamReader(is));
        LinkedList ll = new LinkedList();
        String str = br.readLine();
        while (str != null) {
            ll.add(str);
            str = br.readLine();
        }           
        if (((String) ll.get(1)).indexOf("error") != -1) {
            return new parsedBattlePage(null, null, true, -1);
        }
        //Point B
        Iterator it = ll.iterator();
        it.next();
        it.next();       
        it.next();
        it.next();
        String[][] hits_arr = new String[1000][4];
        String t_str = (String) it.next();
        String tmp = null;
        int j = 0;
        for (int i = 0; t_str.indexOf("time") != -1; i++) {
            hits_arr[i][0] = t_str.substring(12, t_str.length() - 11);
            tmp = (String) it.next();
            hits_arr[i][1] = tmp.substring(14, tmp.length() - 9);
            tmp = (String) it.next();
            hits_arr[i][2] = tmp.substring(15, tmp.length() - 10);
            tmp = (String) it.next();
            hits_arr[i][3] = tmp.substring(18, tmp.length() - 13);
            it.next();
            it.next();
            t_str = (String) it.next();
            j++;
        }      
        String[] b_info_arr = new String[9];
        int[] space_nums = {13, 10, 13, 11, 11, 12, 5, 10, 13};
        for (int i = 0; i < space_nums.length; i++) {
            tmp = (String) it.next();
            b_info_arr[i] = tmp.substring(space_nums[i] + 4, tmp.length() - space_nums[i] - 1);
        }
        //Point C
        return new parsedBattlePage(hits_arr, b_info_arr, false, j);
    }

我试图用替换默认的BufferedReader

BufferedReader br = new BufferedReader(new InputStreamReader(is), 250000);

这没有太大变化。
我的第二次尝试是将A和B之间的代码替换为：
    Iterator = IOUtils.lineIterator（is，“ UTF-8”）;

结果相同，除了这次A-B为0ms，B-C为1000ms，因此每次调用它.next（）必须消耗大量时间（IOUtils来自apache-commons-io库）。

罪魁祸首-在所有情况下，由迭代器或BufferedReader将流解析为字符串所花费的时间约为1000毫秒，而其余代码则花费了0毫秒（例如无关紧要）。这意味着由于某种原因将流解析到LinkedList或对其进行迭代会耗尽我的大量系统资源。问题是-为什么？这只是java的制作方式...不...那只是愚蠢的，所以我做了另一个实验。

在我的主要方法中，我在getWebPageAsStream（）之后添加了：

    //Point A
    ba = new byte[l]; // 'l'  comes from wobj.getContentLength above
    bytesRead = is.read(ba); //'is' is our URLConnection original InputStream 
    offset = bytesRead;           
    while (bytesRead != -1) {
        bytesRead = is.read(ba, offset - 1, l - offset);
        offset += bytesRead;
    }
    //Point B
    InputStream is2 = new ByteArrayInputStream(ba);
    //Now just working with 'is2' - the "copied" stream

InputStream-> byte []转换又花了1000毫秒-这是许多人建议使用的方法读取InputStream，但它很慢。猜猜是什么-上面的2个解析器方法（convertToXML（）和convertBattlePagetoXMLWithoutDOM（），在通过“ is2”而不是“ is”传递时，在所有4种情况下，都需要50毫秒以内。

我读到一条建议，即流在取消阻塞之前先等待连接关闭，因此我尝试改用HttpComponentsClient 4.0（ http://hc.apache.org/httpcomponents-client/index.html），但最初的InputStream解析时间很长。例如此代码：

public InputStream getWebPageAsStream2(int battle_id, int page) throws Exception {
        String url = "http://api.erepublik.com/v1/feeds/battle_logs/" + battle_id + "/" + page;
        HttpClient httpclient = new DefaultHttpClient();
        HttpGet httpget = new HttpGet(url);      
        HttpParams p = new BasicHttpParams();
        HttpConnectionParams.setSocketBufferSize(p, 250000);
        HttpConnectionParams.setStaleCheckingEnabled(p, false);
        HttpConnectionParams.setConnectionTimeout(p, 5000);
        httpget.setParams(p);           
        HttpResponse response = httpclient.execute(httpget);
        HttpEntity entity = response.getEntity();
        l = (int) entity.getContentLength();
        return entity.getContent();
    }

处理时间甚至更长（仅网络需要50毫秒），流解析时间保持不变。显然，可以实例化它，以免每次都（更快的网络时间）创建HttpClient和属性，但是流问题不会因此受到影响。

因此，我们提出了一个中心问题-为什么初始URLConnection InputStream（或HttpClient InputStream）要花这么长时间处理，而本地创建的相同大小和内容的任何流却要快几个数量级？我的意思是，初始响应已经在RAM中的某个位置，所以我看不出有什么很好的理由说明为什么与仅从byte []创建相同的流相比，其处理速度如此之慢。

考虑到我必须解析成百万的条目和成千上万的页面，总处理时间接近1.5s /页面似乎太长了。

有任何想法吗？

附言请询问是否需要更多代码-解析后，我唯一要做的就是制作一个PreparedStatement并将条目以1000+包的形式放入JavaDB中，性能还可以〜200ms / 1000entries，可以用更多的缓存来优化prb，但是我没有研究太多。

Answer 1

因为它正在从远程服务器读取，所以需要更长的时间。您的executeConnection（）方法只是创建流，实际上并没有从服务器读取整个响应。一旦您开始从流中读取内容，便可以完成此操作。