从and连接的输入流读取时速度变慢(即使使用byte[]和缓冲区)

Question

好了，在花了两天的时间试图弄清楚这个问题，并阅读了大量的文章后，我最终决定像个男人一样征求一些建议(我第一次来这里)。

现在对于手头的问题-我正在编写一个程序，它将解析游戏中的api数据，即战斗日志。数据库中将有大量条目(20+，百万)，因此每个战斗日志页的解析速度非常重要。

要解析的页面如下所示：http://api.erepublik.com/v1/feeds/battle_logs/10000/0. (如果使用chrome，请参阅源代码，它不会正确显示页面)。它有1000个点击条目，然后是一些战斗信息(lastpage显然会有<1000 )。平均而言，一个页面包含175000个字符，UTF-8编码，xml格式(v1.0)。程序将在一台好的PC上本地运行，内存几乎是无限的(所以创建byte250000是相当好的)。

格式从不改变，这是非常方便的。

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。我运行了一些分析(使用System.currentTimeMillis())来找出哪些需要很长时间，哪些不需要。在avg上调用这个方法只需要200ms。

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
}

一个网络操作需要200ms，我对此很满意。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，该过程需要超过1000ms！

例如，如果我将上面从getContentStream()获得的流(‘is’)直接传递给此方法，则此代码需要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‘，这段代码也需要大约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);
    }

我已经尝试将默认的BufferedReader替换为

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

这并没有太大的变化。我的第二个尝试是将A和B之间的代码替换为: Iterator it = IOUtils.lineIterator(is，"UTF-8")；

同样的结果，除了这次A-B是0ms，B-C是1000ms，所以每次调用it.next()肯定消耗了相当多的时间。(IOUtils来自apache-commons-io库)。

这就是罪魁祸首--无论是通过迭代器还是BufferedReader，将流解析成字符串所用的时间大约是1000ms，而其余的代码花费了0ms(例如，不相关的)。这意味着，出于某种原因，将流解析为LinkedList，或者迭代它，会占用我的大量系统资源。问题是--为什么？是不是java就像made...no...thats一样愚蠢，所以我做了另一个实验。

在我的main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1000ms --这是许多人建议的读取InputStream的方式，但仍然很慢。猜猜是什么-上面的两个解析器方法(convertToXML()和convertBattlePagetoXMLWithoutDOM()，当传递'is2‘而不是'is’时，在所有4种情况下，都不到50ms就完成了。

我读到一个建议，建议流在解除阻塞之前等待连接关闭，所以我尝试使用HttpComponentsClient 4.0 (http://hc.apache.org/httpcomponents-client/index.html)，但最初的InputStream需要同样长的时间才能解析。例如，下面的代码：

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();
    }

处理时间更长(仅网络就多了50毫秒)，流解析时间保持不变。显然，它可以实例化，这样就不会每次都创建HttpClient和属性(更快的网络时间)，但流问题不会受此影响。

因此，我们来到了中心问题-为什么初始的URLConnection InputStream(或HttpClient InputStream)需要这么长的时间来处理，而本地创建的任何相同大小和内容的流都要快几个数量级？我的意思是，初始响应已经在内存中的某个地方了，我看不出有什么好的理由来解释为什么它的处理速度比从byte[]创建相同的流要慢得多。

考虑到我必须解析数百万个条目和数千个这样的页面，几乎1.5秒/页面的总处理时间似乎太长了。

有什么想法吗？

附言。请要求任何更多的代码是必需的-解析后我做的唯一一件事就是制作一个PreparedStatement，并将条目放入1000+包中的JavaDB中，性能是ok ~200ms/1000条目，prb可以通过更多的缓存进行优化，但我没有太多研究它。

Answer 1

它需要更长的时间，因为它是从远程服务器读取数据。您的executeConnection()方法只是创建流，它实际上并不从服务器读取整个响应。一旦您开始从流中读取，就会完成此操作。