本次使用POI处理xlsx文件，莫名的遇到了一个无法逾越的问题。
总共71个xlsx文件，单个文件最大达到50M以上，71个xls文件摆在那里就有3-4G的大小。
在起始处理的时候，发现原本适用于正常大小的POI处理xls程序竟然屡次的报错GC outofmemory 的内存移除的问题。
【当前状况】
①一个50M大小的xlsx文件，使用压缩文件打开，可以看到xml文件达到900M以上
②一个50M大小以上的xlsx文件，单个工作簿，行数平均在15W行---40W之间，列数在64列左右
③单方面的调整了JVM运行的 堆内存大小，调整到了4G并没有什么效果
④程序运行起来之后，XSSFWorkbook workbook1 = new XSSFWorkbook(fileInputStream); 跑起来，CPU瞬间99%满负荷，内存最高可以使用9.79G的占用率，仅这一个xlsx文件
【官方解决方法】
网上关于POI处理超大文件的资料不很多，粘贴，水贴更是多如牛毛。POI官网，有一个SXSSF的XSSF扩展API插件，话说是可以【生成/处理】【有歧义】大型电子表格。
但是，仅仅是支持生成而已。
如果用于操作大型xlsx文件，API中给出的构造方法，还是需要先构造XSSFWorkbook对象。
在上一步就会卡死导致内存溢出，根本走不到下步。
最后，还是找到了一篇有用的信息，关于官方的解决思路，就是将xlsx文件转化为CVS文件进行相应的处理，这样不用占用太大的内存空间，导致内存溢出程序崩溃。
一下是官方提供的XLS转化为CVS的代码，注解做了部分翻译。留下之后有时间再进行研究。
1 package com.poi.dealXlsx;
2
3 import org.apache.poi.openxml4j.exceptions.OpenXML4JException;
4
5 /* ====================================================================
6 Licensed to the Apache Software Foundation (ASF) under one or more
7 contributor license agreements. See the NOTICE file distributed with
8 this work for additional information regarding copyright ownership.
9 The ASF licenses this file to You under the Apache License, Version 2.0
10 (the "License"); you may not use this file except in compliance with
11 the License. You may obtain a copy of the License at
12
13 http://www.apache.org/licenses/LICENSE-2.0
14
15 Unless required by applicable law or agreed to in writing, software
16 distributed under the License is distributed on an "AS IS" BASIS,
17 WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
18 See the License for the specific language governing permissions and
19 limitations under the License.
20 ==================================================================== */
21
22
23 import java.io.File;
24 import java.io.IOException;
25 import java.io.InputStream;
26 import java.io.PrintStream;
27
28 import javax.xml.parsers.ParserConfigurationException;
29
30 import org.apache.poi.openxml4j.opc.OPCPackage;
31 import org.apache.poi.openxml4j.opc.PackageAccess;
32 import org.apache.poi.ss.usermodel.DataFormatter;
33 import org.apache.poi.ss.util.CellAddress;
34 import org.apache.poi.ss.util.CellReference;
35 import org.apache.poi.util.SAXHelper;
36 import org.apache.poi.xssf.eventusermodel.ReadOnlySharedStringsTable;
37 import org.apache.poi.xssf.eventusermodel.XSSFReader;
38 import org.apache.poi.xssf.eventusermodel.XSSFSheetXMLHandler;
39 import org.apache.poi.xssf.eventusermodel.XSSFSheetXMLHandler.SheetContentsHandler;
40 import org.apache.poi.xssf.extractor.XSSFEventBasedExcelExtractor;
41 import org.apache.poi.xssf.model.StylesTable;
42 import org.apache.poi.xssf.usermodel.XSSFComment;
43 import org.xml.sax.ContentHandler;
44 import org.xml.sax.InputSource;
45 import org.xml.sax.SAXException;
46 import org.xml.sax.XMLReader;
47
48 /**
49 *一个基本的XLSX - > CSV处理器
50 * POI样本程序XLS2CSVmra从包中
51 * org.apache.poi.hssf.eventusermodel.examples。
52 *与HSSF版本一样，这会试图找到错误
53 *行和单元格，并为它们输出空条目。
54 * <p />
55 *使用SAX解析器读取数据表以保持
56 *内存占用比较小，所以这应该是
57 *能够阅读庞大的工作簿。样式表和
58 *共享字符串表必须保存在内存中。该
59 *标准POI样式表类使用，但是一个自定义
60 *（只读）类用于共享字符串表
61 *因为标准的POI SharedStringsTable增长很大
62 *快速与唯一字符串的数量。
63 * <p />
64 *更高级的SAX事件解析实现
65 *的XLSX文件，请参阅{@link XSSFEventBasedExcelExtractor}
66 *和{@link XSSFSheetXMLHandler}。请注意，在很多情况下，
67 *可以简单地使用那些与习惯
68 * {@link SheetContentsHandler}并且不需要SAX代码
69 * 你自己！
70 */
71 public class XLSX2CSV {
72 /**
73 *使用XSSF Event SAX助手进行大部分工作
74 *解析Sheet XML，并输出内容
75 *作为（基本）CSV。
76 */
77 private class SheetToCSV implements SheetContentsHandler {
78 private boolean firstCellOfRow = false;
79 private int currentRow = -1;
80 private int currentCol = -1;
81
82 /**
83 * 输出缺失的行
84 * @param number
85 */
86 private void outputMissingRows(int number) {
87 for (int i = 0; i < number; i++) {
88 for (int j = 0; j < minColumns; j++) {
89 output.append(‘,‘);
90 }
91 output.append(‘\n‘);
92 }
93 }
94
95 @Override
96 public void startRow(int rowNum) {
97 // If there were gaps, output the missing rows
98 outputMissingRows(rowNum - currentRow - 1);
99 // Prepare for this row
100 firstCellOfRow = true;
101 currentRow = rowNum;
102 currentCol = -1;
103 }
104
105 @Override
106 public void endRow(int rowNum) {
107 // Ensure the minimum number of columns
108 for (int i = currentCol; i < minColumns; i++) {
109 output.append(‘,‘);
110 }
111 output.append(‘\n‘);
112 }
113
114 @Override
115 public void cell(String cellReference, String formattedValue,XSSFComment comment) {
116 if (firstCellOfRow) {
117 firstCellOfRow = false;
118 } else {
119 output.append(‘,‘);
120 }
121
122 // gracefully handle missing CellRef here in a similar way as XSSFCell does
123 if (cellReference == null) {
124 cellReference = new CellAddress(currentRow, currentCol).formatAsString();
125 }
126
127 // Did we miss any cells?
128 int thisCol = (new CellReference(cellReference)).getCol();
129 int missedCols = thisCol - currentCol - 1;
130 for (int i = 0; i < missedCols; i++) {
131 output.append(‘,‘);
132 }
133 currentCol = thisCol;
134
135 // Number or string?
136 try {
137 Double.parseDouble(formattedValue);
138 output.append(formattedValue);
139 } catch (NumberFormatException e) {
140 output.append(‘"‘);
141 output.append(formattedValue);
142 output.append(‘"‘);
143 }
144 }
145
146 @Override
147 public void headerFooter(String text, boolean isHeader, String tagName) {
148 // Skip, no headers or footers in CSV
149 }
150 }
151
152
153
154 /**
155 * 表示可以存储多个数据对象的容器。
156 */
157 private final OPCPackage xlsxPackage;
158
159 /**
160 * 以最左边开始读取的列数
161 */
162 private final int minColumns;
163
164 /**
165 * 写出数据流
166 */
167 private final PrintStream output;
168
169 /**
170 * 创建一个新的XLSX -> CSV转换器
171 *
172 * @param pkg The XLSX package to process
173 * @param output The PrintStream to output the CSV to
174 * @param minColumns 要输出的最小列数，或-1表示最小值
175 */
176 public XLSX2CSV(OPCPackage pkg, PrintStream output, int minColumns) {
177 this.xlsxPackage = pkg;
178 this.output = output;
179 this.minColumns = minColumns;
180 }
181
182 /**
183 * Parses and shows the content of one sheet
184 * using the specified styles and shared-strings tables.
185 *解析并显示一个工作簿的内容
186 *使用指定的样式和共享字符串表。
187 * @param styles 工作簿中所有工作表共享的样式表。
188 * @param strings 这是处理共享字符串表的轻量级方式。 大多数文本单元格将引用这里的内容。请注意，如果字符串由不同格式的位组成，则每个SI条目都可以有多个T元素
189 * @param sheetInputStream
190 */
191 public void processSheet(StylesTable styles,
192 ReadOnlySharedStringsTable strings,
193 SheetContentsHandler sheetHandler, InputStream sheetInputStream)
194 throws IOException, ParserConfigurationException, SAXException {
195 DataFormatter formatter = new DataFormatter();
196 InputSource sheetSource = new InputSource(sheetInputStream);
197 try {
198 XMLReader sheetParser = SAXHelper.newXMLReader();
199 ContentHandler handler = new XSSFSheetXMLHandler(styles, null,
200 strings, sheetHandler, formatter, false);
201 sheetParser.setContentHandler(handler);
202 sheetParser.parse(sheetSource);
203 } catch (ParserConfigurationException e) {
204 throw new RuntimeException("SAX parser appears to be broken - "
205 + e.getMessage());
206 }
207 }
208
209 /**
210 * Initiates the processing of the XLS workbook file to CSV.
211 * 启动将XLS工作簿文件处理为CSV。
212 *
213 * @throws IOException
214 * @throws OpenXML4JException
215 * @throws ParserConfigurationException
216 * @throws SAXException
217 */
218 public void process()
219 throws IOException, OpenXML4JException, ParserConfigurationException, SAXException {
220 ReadOnlySharedStringsTable strings = new ReadOnlySharedStringsTable(this.xlsxPackage);
221 XSSFReader xssfReader = new XSSFReader(this.xlsxPackage);
222 StylesTable styles = xssfReader.getStylesTable();
223 XSSFReader.SheetIterator iter = (XSSFReader.SheetIterator) xssfReader.getSheetsData();
224 int index = 0;
225 while (iter.hasNext()) {
226 InputStream stream = iter.next();
227 String sheetName = iter.getSheetName();
228 this.output.println();
229 this.output.println(sheetName + " [index=" + index + "]:");
230 processSheet(styles, strings, new SheetToCSV(), stream);
231 stream.close();
232 ++index;
233 }
234 }
235
236 public static void main(String[] args) throws Exception {
237 /* if (args.length < 1) {
238 System.err.println("Use:");
239 System.err.println(" XLSX2CSV <xlsx file> [min columns]");
240 return;
241 }*/
242
243 File xlsxFile = new File("D:/基因数据测试/S1.xlsx");
244 if (!xlsxFile.exists()) {
245 System.err.println("没找到文件: " + xlsxFile.getPath());
246 return;
247 }
248
249 int minColumns = -1;
250 if (args.length >= 2)
251 minColumns = Integer.parseInt(args[1]);
252
253 // The package open is instantaneous, as it should be.
254 OPCPackage p = OPCPackage.open(xlsxFile.getPath(), PackageAccess.READ);
255 XLSX2CSV xlsx2csv = new XLSX2CSV(p, System.out, minColumns);
256 xlsx2csv.process();
257 p.close();
258 }
259 }
----------------------------------------------------------------------------------【待续】------------------------------------------------------------------------------------------
时间： 2024-12-22 10:49:22