如何在不会导致服务器宕机的情况下,用 PHP 读取大文件

时间:2022-10-15 09:56:26

如何在不会导致服务器宕机的情况下,用 PHP 读取大文件

来自:开源中国

www.oschina.net/translate/performant-reading-big-files-php


作为PHP开发人员,我们并不经常需要担心内存管理。PHP 引擎在我们背后做了很好的清理工作,短期执行上下文的 Web 服务器模型意味着即使是最潦草的代码也不会造成持久的影响。

很少情况下我们可能需要走出这个舒适的地方 ——比如当我们试图在一个大型项目上运行 Composer 来创建我们可以创建的最小的 VPS 时,或者当我们需要在一个同样小的服务器上读取大文件时。

如何在不会导致服务器宕机的情况下,用 PHP 读取大文件

后面的问题就是我们将在本教程中深入探讨的。

在 GitHub上可以找到本教程的源码。

衡量成功的标准

确保我们对代码有改进的唯一方法是测试一个不好的情况,然后将我们修复之后的测量与另一个进行比较。换句话说,除非我们知道“解决方案”对我们有多大的帮助(如果有的话),否则我们不知道它是否真的是一个解决方案。

这里有两个我们可以关系的衡量标准。首先是CPU使用率。我们要处理的进程有多快或多慢?第二是内存使用情况。脚本执行时需要多少内存?这两个通常是成反比的 – 这意味着我们可以以CPU使用率为代价来降低内存使用,反之亦然。

在一个异步执行模型(如多进程或多线程的PHP应用程序)中,CPU和内存的使用率是很重要的考量因素。在传统的PHP架构中,当任何一个值达到服务器的极限时,这些通常都会成为问题。

测量PHP内的CPU使用率是不切实际的。如果这是你要关注的领域,请考虑在Ubuntu或MacOS上使用类似top的工具。对于Windows,请考虑使用Linux子系统,以便在Ubuntu中使用top。

为了本教程的目的,我们将测量内存使用情况。我们将看看在“传统”的脚本中使用了多少内存。我们将执行一些优化策略并对其进行度量。最后,我希望你能够做出一个有经验的选择。
我们查看内存使用多少的方法是:

// formatBytes is taken from the php.net documentation

memory_get_peak_usage();

function formatBytes($bytes, $precision = 2) {

    $units = array("b", "kb", "mb", "gb", "tb");

    $bytes = max($bytes, 0);

    $pow = floor(($bytes ? log($bytes) : 0) / log(1024));

    $pow = min($pow, count($units) - 1);

    $bytes /= (1 << (10 * $pow));

    return round($bytes, $precision) . " " . $units[$pow];

}


我们将在脚本的最后使用这些函数,以便我们能够看到哪个脚本一次使用最大的内存。

我们的选择是什么?

这里有很多方法可以有效地读取文件。但是也有两种我们可能使用它们的情况。我们想要同时读取和处理所有数据,输出处理过的数据或根据我们所读取的内容执行其他操作。我们也可能想要转换一个数据流,而不需要真正访问的数据。
让我们设想一下,对于第一种情况,我们希望读取一个文件,并且每10,000行创建一个独立排队的处理作业。我们需要在内存中保留至少10000行,并将它们传递给排队的工作管理器(无论采取何种形式)。
对于第二种情况,我们假设我们想要压缩一个特别大的API响应的内容。我们不在乎它的内容是什么,但我们需要确保它是以压缩形式备份的。
在这两种情况下,如果我们需要读取大文件,首先,我们需要知道数据是什么。第二,我们并不在乎数据是什么。让我们来探索这些选择吧…

逐行读取文件

有许多操作文件的函数,我们把部分结合到一个简单的文件阅读器中(封装为一个方法):

// from memory.php

function formatBytes($bytes, $precision = 2) {

    $units = array("b", "kb", "mb", "gb", "tb");

    $bytes = max($bytes, 0);

    $pow = floor(($bytes ? log($bytes) : 0) / log(1024));

    $pow = min($pow, count($units) - 1); 

    $bytes /= (1 << (10 * $pow));

    return round($bytes, $precision) . " " . $units[$pow];

}

print formatBytes(memory_get_peak_usage());


// from reading-files-line-by-line-1.php

function readTheFile($path) {

    $lines = [];

    $handle = fopen($path, "r");

    while(!feof($handle)) {

        $lines[] = trim(fgets($handle));

    }

    fclose($handle);

    return $lines;

}

readTheFile("shakespeare.txt");

require "memory.php";


我们读取一个文本文件为莎士比亚全集。文件大小为5.5MB,内存占用峰值为12.8MB。现在让我们用一个生成器来读取每一行:


// from reading-files-line-by-line-2.php

function readTheFile($path) {

    $handle = fopen($path, "r");

    while(!feof($handle)) {

        yield trim(fgets($handle));

    }

    fclose($handle);

}

readTheFile("shakespeare.txt");

require "memory.php";


文本文件大小不变,但内存使用峰值只是393KB。即使我们能把读取到的数据做一些事情也并不意味着什么。也许我们可以在看到两条空白时把文档分割成块,像这样:


// from reading-files-line-by-line-3.php

$iterator = readTheFile("shakespeare.txt");

$buffer = "";

foreach ($iterator as $iteration) {

    preg_match("/ {3}/", $buffer, $matches);

    if (count($matches)) {

        print ".";

        $buffer = "";

    } else {

        $buffer .= $iteration . PHP_EOL;

    }

}

require "memory.php";


猜到我们使用了多少内存吗?我们把文档分割为1216块,仍然只使用了459KB的内存,这是否让你惊讶?考虑到生成器的性质,我们使用的最多内存是使用在迭代中我们需要存储的最大文本块。在本例中,最大的块为101985字符。

我已经撰写了使用生成器提示性能和Nikita Popov的迭代器库,如果你感兴趣就去看看吧!

生成器还有其它用途,但是最明显的好处就是高性能读取大文件。如果我们需要处理这些数据,生成器可能是最好的方法。

管道间的文件

在我们不需要处理数据的情况下,我们可以把文件数据传递到另一个文件。通常被称为管道(大概是因为我们看不到除了两端的管子里面,当然,它也是不透明的),我们可以通过使用流方法实现。让我们先写一个脚本从一个文件传到另一个文件。这样我们可以测量内存的占用情况:

// from piping-files-1.php

file_put_contents(

    "piping-files-1.txt", file_get_contents("shakespeare.txt")

);

require "memory.php";


不出所料,这个脚本使用更多的内存来进行文本文件复制。这是因为它读取(和保留)文件内容在内存中,直到它被写到新文件中。对于小文件这种方法也许没问题。当为更大的文件时,就捉襟见肘了…

让我们尝试用流(管道)来传送一个文件到另一个:

// from piping-files-2.php

$handle1 = fopen("shakespeare.txt", "r");

$handle2 = fopen("piping-files-2.txt", "w");

stream_copy_to_stream($handle1, $handle2);

fclose($handle1);

fclose($handle2);

require "memory.php";


这段代码稍微有点陌生。我们打开了两文件的句柄,第一个是只读模式,第二个是只写模式,然后我们从第一个复制到第二个中。最后我们关闭了它,也许使你惊讶,内存只占用了393KB

这似乎很熟悉。像代码生成器在存储它读到的每一行代码?那是因为第二个参数fgets规定了每行读多少个字节(默认值是-1或者直到下一行为止)。

第三个参数stream_copy_to_stream和第二个参数是同一类参数(默认值相同),stream_copy_to_stream一次从一个数据流里读一行,同时写到另一个数据流里。它跳过生成器只有一个值的部分(因为我们不需要这个值)。

这篇文章对于我们来说可能是没用的,所以让我们想一些我们可能会用到的例子。假设我们想从我们的CDN中输出一张图片,作为一种重定向的路由应用程序。我们可以参照下边的代码来实现它:

// from piping-files-3.php

file_put_contents(

    "piping-files-3.jpeg", file_get_contents(

        "https://github.com/assertchris/uploads/raw/master/rick.jpg"

    )

);

// ...or write this straight to stdout, if we don't need the memory info

require "memory.php";


设想一下,一个路由应用程序让我们看到这段代码。但是,我们想从CDN获取一个文件,而不是从本地的文件系统获取。我们可以用一些其他的东西来更好的替换file_get_contents(就像Guzzle),即使在引擎内部它们几乎是一样的。

图片的内存大概有581K。现在,让我们来试试这个

// from piping-files-4.php

$handle1 = fopen(

    "https://github.com/assertchris/uploads/raw/master/rick.jpg", "r"

);

$handle2 = fopen(

    "piping-files-4.jpeg", "w"

);

// ...or write this straight to stdout, if we don't need the memory info

stream_copy_to_stream($handle1, $handle2);

fclose($handle1);

fclose($handle2);

require "memory.php";


内存使用明显变少(大概400K),但是结果是一样的。如果我们不关注内存信息,我们依旧可以用标准模式输出。实际上,PHP提供了一个简单的方式来完成:

$handle1 = fopen(

    "https://github.com/assertchris/uploads/raw/master/rick.jpg", "r"

);

$handle2 = fopen(

    "php://stdout", "w"

);

stream_copy_to_stream($handle1, $handle2);

fclose($handle1);

fclose($handle2);

// require "memory.php";


其它流

还有其它一些流,我们可以通过管道来写入和读取(或只读取/只写入):

  • php://stdin (只读)

  • php://stderr (只写, 如php://stdout)

  • php://input (只读) 这使我们能够访问原始请求体

  • php://output (只写) 让我们写入输出缓冲区

  • php://memory 和 php://temp (读-写) 是我们可以临时存储数据的地方。 不同之处在于一旦它变得足够大 php://temp 会将数据存储在文件系统中,而 php://memory 将一直持存储在内存中直到资源耗尽。

过滤器

还有一个我们可以在stream上使用的技巧,称为过滤器。它们是一种中间的步骤,提供对stream数据的一些控制,但不把他们暴露给我们。想象一下,我们会使用Zip扩展名来压缩我们的shakespeare.txt文件。

// from filters-1.php

$zip = new ZipArchive();

$filename = "filters-1.zip";

$zip->open($filename, ZipArchive::CREATE);

$zip->addFromString("shakespeare.txt", file_get_contents("shakespeare.txt"));

$zip->close();

require "memory.php";


这是一小段整洁的代码,但它测量内存占用在10.75MB左右。使用过滤器的话,我们可以减少内存:


// from filters-2.php

$handle1 = fopen(

    "php://filter/zlib.deflate/resource=shakespeare.txt", "r"

);

$handle2 = fopen(

    "filters-2.deflated", "w"

);

stream_copy_to_stream($handle1, $handle2);

fclose($handle1);

fclose($handle2);

require "memory.php";


此处,我们可以看到名为php://filter/zlib.deflate的过滤器,它读取并压缩资源的内容。我们可以在之后将压缩数据导出到另一个文件中。这仅使用了896KB.

我知道这是不一样的格式,或者制作zip存档是有好处的。你不得不怀疑:如果你可以选择不同的格式并节省约12倍的内存,为什么不选呢?

为了解压此数据,我们可以通过执行另一个zlib filter将压缩后的数据还原:

// from filters-2.php

 

file_get_contents(

    "php://filter/zlib.inflate/resource=filters-2.deflated"

);


Streams have been extensively covered in Stream在“理解PHP中的流”和“U高效使用PHP中的流”中已经被全面介绍了。如果你喜欢一个完全不同的视角,可以阅读一下。

定制流

fopen和file_get_contents有它们自己的一套默认选项,但是这些都是完全可定制的。为了定义它们,我们需要创建一个新的流上下文:

// from creating-contexts-1.php

$data = join("&", [

    "twitter=assertchris",

]);

$headers = join(" ", [

    "Content-type: application/x-www-form-urlencoded",

    "Content-length: " . strlen($data),

]);

$options = [

    "http" => [

        "method" => "POST",

        "header"=> $headers,

        "content" => $data,

    ],

];

$context = stream_content_create($options);

$handle = fopen("https://example.com/register", "r", false, $context);

$response = stream_get_contents($handle);

fclose($handle);


在这个例子中,我们正在尝试向API发出POST请求。 API终端是安全的,但我们仍然需要使用http上下文属性(用于http和https)。我们设置一些消息头参数,并打开一个文件句柄到API。由于上下文处理写操作,我们可以将句柄打开为只读。

查看文档了解更多

制定自定义协议和过滤器

在我们结束之前,让我们谈谈制定自定义协议。 如果你查看文档,你可以找到一个示例类来实现:

Protocol {

    public resource $context;

    public __construct ( void )

    public __destruct ( void )

    public bool dir_closedir ( void )

    public bool dir_opendir ( string $path , int $options )

    public string dir_readdir ( void )

    public bool dir_rewinddir ( void )

    public bool mkdir ( string $path , int $mode , int $options )

    public bool rename ( string $path_from , string $path_to )

    public bool rmdir ( string $path , int $options )

    public resource stream_cast ( int $cast_as )

    public void stream_close ( void )

    public bool stream_eof ( void )

    public bool stream_flush ( void )

    public bool stream_lock ( int $operation )

    public bool stream_metadata ( string $path , int $option , mixed $value )

    public bool stream_open ( string $path , string $mode , int $options ,

        string &$opened_path )

    public string stream_read ( int $count )

    public bool stream_seek ( int $offset , int $whence = SEEK_SET )

    public bool stream_set_option ( int $option , int $arg1 , int $arg2 )

    public array stream_stat ( void )

    public int stream_tell ( void )

    public bool stream_truncate ( int $new_size )

    public int stream_write ( string $data )

    public bool unlink ( string $path )

    public array url_stat ( string $path , int $flags )

}


我们不打算实现其中的一个,因为我认为它应该有自己的教程。这里有很多工作需要完成。但是一旦这个工作完成,我们可以很容易地注册我们的流包装:

if (in_array("highlight-names", stream_get_wrappers())) {

    stream_wrapper_unregister("highlight-names");

}

stream_wrapper_register("highlight-names", "HighlightNamesProtocol");

$highlighted = file_get_contents("highlight-names://story.txt");


同样,也可以创建自定义流过滤器。该文档有一个示例过滤器类:

Filter {

    public $filtername;

    public $params

    public int filter ( resource $in , resource $out , int &$consumed ,

        bool $closing )

    public void onClose ( void )

    public bool onCreate ( void )

}


这可以很容易地注册:


$handle = fopen("story.txt", "w+");

stream_filter_append($handle, "highlight-names", STREAM_FILTER_READ);


突出显示名称需要匹配新的筛选器类的filtername属性。也可以在php://filter/highligh-names/resource=story.txt字符串中使用自定义过滤器。定义过滤器比定义协议要容易得多。因为协议需要处理目录操作,而过滤器只需处理每个数据块。

如果你有这个想法,我强烈建议你尝试创建自定义协议和过滤器。如果你可以将过滤器应用于stream_copy_to_streamoperations,那么即使在使用大容量文件时,你的应用程序也可以在没有内存的情况下使用。想象一下,编写一个调整大小的图像过滤器或加密的应用程序过滤器。

总结

虽然这不是我们经常遇到的问题,但在处理大文件时很容易搞砸。在异步应用程序中,当我们不注意小心使用内存的话,很容易导致整个服务器宕机。

本教程希望向你介绍一些新的想法(或者让你重新认识他们),以便你可以更多地考虑如何高效地读取和写入大型文件。当我们开始熟悉流程和生成器,并停止使用像file_get_contents这样的函数时,我们的应用程序中就会减少错误的类别,这看起来是很好。

如何在不会导致服务器宕机的情况下,用 PHP 读取大文件