最近架构一个项目，实现行情的接入和分发，需要达到极致的低时延特性，这对于证券系统是非常重要的。接入的行情源是可以配置，既可以是Level-1，也可以是Level-2或其他第三方的源。虽然Level-1行情没有Level-2快，但是作为系统支持的行情源，我们还是需要优化它，使得从文件读取，到用户通过socket收到行情，端到端的时延尽可能的低。本文主要介绍对level-1行情dbf文件读取的极致优化方案。相信对其他的dbf文件读取应该也有借鉴意义。
Level-1行情是由行情小站，定时每隔几秒把dbf文件（上海是show2003.dbf，深圳是sjshq.dbf）更新一遍，用新的行情替换掉旧的。我们的目标就是，在新文件完成更新后，在最短时间内将文件读取到内存，把每一行转化为对象，把每个列转化为对应的数据类型。
我们一共采用了6种优化方式。
我们在上文《Java读取Level-1行情dbf文件极致优化（1）》 《Java读取Level-1行情dbf文件极致优化（2）》中，已经介绍了4种优化策略：
优化一：采用内存硬盘（RamDisk）
优化二：采用JNotify，用通知替代轮询
优化三：采用NIO读取文件
优化四：减少读取文件时内存反复分配和GC
优化五：字段读取优化
行情dbf文件很多字段是价格类型的字段，带2位或者3位小数，从dbf读取他们的后，我们会把它们保存在Long类型或者Int类型，而不是Float或Double类型，比如1.23，转换为1230保存。因为Float型或Double型会丢失精度。
如果不优化，读取步骤为：
1，从byte[]对应的偏移中读取并保存到String中。
2，对String做trim操作
3，把String转换为Float类型
4，把Float类型乘以1000并强转为Long类型。
不用多说，以上的过程一定是低效的，光前两步就涉及到2次字符串拷贝，2次对象创建。第三步效率也不高。我这里通过优化，在DBFReader.java中添加一个get_long_efficiently_and_multiply_1000方法，将4个步骤合并为一步，通过一次扫描得到结果。
public long get_long_efficiently_and_multiply_1000(byte[] src, final int index)
{
long multiplicand = 3;
long result =0;
Field field = getFields()[index];
boolean in_decimal_part = false;
boolean negative = false;
int offset = field.getOffset();
int length = field.getLength();
int end = offset+length;
for(int i =field.getOffset(); i< end; i++)
{
byte ch = src[i]; if(ch>=48 && ch<=57) //如果是数字
{
result *= 10;
result += ch-48;
if(in_decimal_part)
multiplicand--;
if(multiplicand==0) break;
continue;
} if(ch==32) //如果是空格
continue; if(ch == 46) //如果是小数点
{
in_decimal_part = true;
continue;
} if(ch == '-') //如果是负号
{
negative = true;
} throw new NumberFormatException(); } if(multiplicand == 3)
result *= 1000;
else if (multiplicand == 2)
result *=100;
else if (multiplicand == 1)
result *=10; if(negative)
{
result= 0 - result;
} return result;
}
上面的算法负责读取字段转换为数字的同时，对它乘以1000。并且代码中尽量优化了执行步骤。
对于整形的读取，我们也进行了优化，添加一个get_long_efficiently：
public long get_long_efficiently(byte[] src, final int index)
{
long result =0;
boolean negative = false;
Field field = getFields()[index];
for(int i =field.getOffset(); i< field.getOffset()+ field.getLength(); i++)
{
byte ch = src[i];
if(ch>=48 && ch<=57) //如果是数字
{
result = result*10 + (src[i]-48);
continue;
} if(src[i]==32) //如果是空格
continue; if(ch == '-') //如果是负号
{
negative = true;
} throw new NumberFormatException();
} if(negative)
{
result= 0 - result;
} return result;
}
以上的2个算法并不复杂，但却非常关键，一个dbf文件包含大约5000行，每行包括20～30个Float类型或者Int类型的字段，该优化涉及10万+个字段的读取。测试下来，这步改进将读取速度从50ms-70ms提升至15ms至20ms，细节在魔鬼当中，这是速度提升最快的一项优化。
(优化五的代码在改进的DBFReader中，上午中已经提供下载，这里再提供下载链接：DBFReader库 )
优化六：线程池并行处理
对5000多个行进行字段读取并转换成对象，采用多线程处理是最自然不过的优化方式。
一般我们采用的方法是把任务分成等份的块，每个线程处理一大块。比如，如果采用5个线程处理，那么把5000行分成1000个行一块，每个线程处理一块。这样看貌似公平，其实不然，因为我们的操作系统是分时操作系统，每个线程开始工作的时间，占用的CPU时间片，和任务的强度都不完全一致。等分的办法貌似平均，但是很有可能导致有些线程完成工作了，另外一些还有很多没做完。
这里介绍一种我喜欢的任务分配方式：每个线程每次从5000个行的任务中申请一小块，比如16个行，完成后，再申请16个行。这样快的线程就会多工作些，慢的就少工作些，直到所有的行处理完毕。那么，这些线程怎么协调呢，任务分配岂不是要用到锁？不用锁，我们采用CAS机制就能做到（实际用的是AtomicInteger，AtomicInteger就是基于CAS实现的），这里不解释太多了。看代码：
class ReaderTask implements Runnable {
Collector collector;
List<byte[]> recordList;
CountDownLatch countDownLatch;
AtomicInteger cursor;
DBFReader reader;
public ReaderTask(Collector collector, DBFReader dbfreader, List<byte[]> recordList, AtomicInteger cursor,
CountDownLatch countDownLatch) {
this.collector = collector;
this.reader = dbfreader;
this.recordList = recordList;
this.cursor = cursor;
this.countDownLatch = countDownLatch;
}
@Override
public void run() {
try {
int length = recordList.size();
do {
final int step = 16; //每次分配16行给该线程处理。
int endIndex = cursor.addAndGet(step);
int startIndex = endIndex - step ;
for (int i = startIndex; i < endIndex && i < length; i++) {
byte[] row = recordList.get(i);
MarketRealtimeData SHData = new MarketRealtimeData();
SHData.setMarketType(Constants.MARKET_SH_STOCK);
SHData.setIdNum(reader.get_string_efficiently(row, 0));
SHData.setPrefix(reader.get_string_efficiently(row, 1));
SHData.setPreClosePrice(reader.get_long_efficiently_and_multiply_1000(row, 2));
SHData.setOpenPrice(reader.get_long_efficiently_and_multiply_1000(row, 3));
SHData.setTurnover(reader.get_long_efficiently_and_multiply_1000(row, 4));
SHData.setHighPrice(reader.get_long_efficiently_and_multiply_1000(row, 5));
SHData.setLowPrice(reader.get_long_efficiently_and_multiply_1000(row, 6));
SHData.setMatchPrice(reader.get_long_efficiently_and_multiply_1000(row, 7));
//读取所有的Field，以下省略若干行
//... ...
//... ...
if (collector != null) {
collector.collect(SHData);
}
}
} while (cursor.get() < length);
} finally {
if (countDownLatch != null)
countDownLatch.countDown();
}
}
}
private void readHangqingFile(String path, String name) throws Exception {
// Long t1 = System.nanoTime();
DBFReader dbfreader_SH = null;
try {
dbfreader_SH = new DBFReader(new File(path+File.separator + name));
List<byte[]> list_sh = dbfreader_SH.recordsWithOutDel_efficiently(cacheManager);
AtomicInteger cursor = new AtomicInteger(0); //原子变量，用于线程间分配任务
CountDownLatch countDownLatch = new CountDownLatch(WORK_THREAD_COUNT);
for (int i = 0; i < WORK_THREAD_COUNT - 1; i++) { //把任务分配给线程池多个线程
ReaderTask task = new ReaderTask(collector, dbfreader_SH, list_sh, cursor, countDownLatch);
globalExecutor.execute(task);
}
new ReaderTask(collector, dbfreader_SH, list_sh, cursor, countDownLatch).run(); //当前线程自己也作为工作线程
countDownLatch.await();
//Long t2 = System.nanoTime();
//System.out.println("speed time on read and object:" + (t2 - t1));
} finally {
if (dbfreader_SH != null)
dbfreader_SH.close();
}
}
测试表明，在使用4个线程并行处理的情况下，处理时间从15ms-20ms缩短至4ms-7ms。
在使用本文章介绍的所有优化方法，整个读取效率从耗时300ms以上，优化至5ms-10ms之间。我们讨论的是从文件更新始，到完成文件读取，完成5000多个对象，100,000个字段的转换的总耗时。
如果继续深入，我们可能还有不少细节可以改进。测试表明，时延的稳定性还不够好，很可能是由于GC造成的，我们还可以从减少对象的创建，以减少性能损耗，减少GC；并且控制GC执行的时间，让GC在空闲时执行等方面优化。
Binhua Liu原创文章，转载请注明原地址http://www.cnblogs.com/Binhua-Liu/p/5616761.html