使用分页方式读取超大文件的性能试验

Read extreme large files using paging

May 15th, 2012

（注：本文使用FileStream类的Seek()和Read()方法完成文件读取，未使用特别读取方式。）

我们在编程过程中，经常会和计算机文件读取操作打交道。随着计算机功能和性能的发展，我们需要操作的文件尺寸也是越来越大。在.NET Framework中，我们一般使用FileStream来读取、写入文件流。当文件只有数十kB或者数MB时，一般的文件读取方式如Read()、ReadAll()等应用起来游刃有余，基本不会感觉到太大的延迟。但当文件越来越大，达到数百MB甚至数GB时，这种延迟将越来越明显，最终达到不能忍受的程度。

通常定义大小在2GB以上的文件为超大文件（当然，这个数值会随着科技的进步，越来越大）。对于这样规模的文件读取，普通方法已经完全不能胜任。这就要求我们使用更高效的方法，如内存映射法、分页读取法等。

内存映射（Memory Mapping）

内存映射的方法可以使用下面的Windows API实现。

LPVOID MapViewOfFile(HANDLE hFileMappingObject,
　　DWORD dwDesiredAccess,
　　DWORD dwFileOffsetHigh,
　　DWORD dwFileOffsetLow,
　　DWORD dwNumberOfBytesToMap);

虽然使用方便，但使用上限制较多，比如规定的分配粒度（Windows下通常为64KB）等。下面贴出内存映射法实例代码供参考，但本文不做进一步讨论。

内存映射法（使用MapViewOfFile）

1 using System;
  2 using System.Collections.Generic;
  3 using System.Text;
  4 using System.Runtime.InteropServices;
  5 
  6 namespace BlueVision.SaYuan.FileMapping
  7 {
  8     public class ShareMemory
  9     {
 10         [DllImport( "user32.dll", CharSet = CharSet.Auto )]
 11         public static extern IntPtr SendMessage( IntPtr hWnd, int Msg, int wParam, IntPtr lParam );
 12 
 13         [DllImport( "Kernel32.dll", CharSet = CharSet.Auto )]
 14         public static extern IntPtr CreateFileMapping( IntPtr hFile, IntPtr lpAttributes, uint flProtect, uint dwMaxSizeHi, uint dwMaxSizeLow, string lpName );
 15 
 16         [DllImport( "Kernel32.dll", CharSet = CharSet.Auto )]
 17         public static extern IntPtr OpenFileMapping( int dwDesiredAccess, [MarshalAs( UnmanagedType.Bool )] bool bInheritHandle, string lpName );
 18 
 19         [DllImport( "Kernel32.dll", CharSet = CharSet.Auto )]
 20         public static extern IntPtr MapViewOfFile( IntPtr hFileMapping, uint dwDesiredAccess, uint dwFileOffsetHigh, uint dwFileOffsetLow, uint dwNumberOfBytesToMap );
 21 
 22         [DllImport( "Kernel32.dll", CharSet = CharSet.Auto )]
 23         public static extern bool UnmapViewOfFile( IntPtr pvBaseAddress );
 24 
 25         [DllImport( "Kernel32.dll", CharSet = CharSet.Auto )]
 26         public static extern bool CloseHandle( IntPtr handle );
 27 
 28         [DllImport( "kernel32", EntryPoint = "GetLastError" )]
 29         public static extern int GetLastError();
 30 
 31         [DllImport( "kernel32.dll" )]
 32         static extern void GetSystemInfo( out SYSTEM_INFO lpSystemInfo );
 33 
 34         [StructLayout( LayoutKind.Sequential )]
 35         public struct SYSTEM_INFO
 36         {
 37             public ushort processorArchitecture;
 38             ushort reserved;
 39             public uint pageSize;
 40             public IntPtr minimumApplicationAddress;
 41             public IntPtr maximumApplicationAddress;
 42             public IntPtr activeProcessorMask;
 43             public uint numberOfProcessors;
 44             public uint processorType;
 45             public uint allocationGranularity;
 46             public ushort processorLevel;
 47             public ushort processorRevision;
 48         }
 49         /// <summary>
 50         /// 获取系统的分配粒度
 51         /// </summary>
 52         /// <returns></returns>
 53         public static uint GetPartitionsize()
 54         {
 55             SYSTEM_INFO sysInfo;
 56             GetSystemInfo( out sysInfo );
 57             return sysInfo.allocationGranularity;
 58         }
 59 
 60         const int ERROR_ALREADY_EXISTS = 183;
 61 
 62         const int FILE_MAP_COPY = 0x0001;
 63         const int FILE_MAP_WRITE = 0x0002;
 64         const int FILE_MAP_READ = 0x0004;
 65         const int FILE_MAP_ALL_ACCESS = 0x0002 | 0x0004;
 66 
 67         const int PAGE_READONLY = 0x02;
 68         const int PAGE_READWRITE = 0x04;
 69         const int PAGE_WRITECOPY = 0x08;
 70         const int PAGE_EXECUTE = 0x10;
 71         const int PAGE_EXECUTE_READ = 0x20;
 72         const int PAGE_EXECUTE_READWRITE = 0x40;
 73 
 74         const int SEC_COMMIT = 0x8000000;
 75         const int SEC_IMAGE = 0x1000000;
 76         const int SEC_NOCACHE = 0x10000000;
 77         const int SEC_RESERVE = 0x4000000;
 78 
 79         IntPtr m_fHandle;
 80 
 81         IntPtr m_hSharedMemoryFile = IntPtr.Zero;
 82         IntPtr m_pwData = IntPtr.Zero;
 83         bool m_bAlreadyExist = false;
 84         bool m_bInit = false;
 85         uint m_MemSize = 0x1400000;//20M
 86         long m_offsetBegin = 0;
 87         long m_FileSize = 0;
 88         FileReader File = new FileReader();
 89 
 90 
 91         /// <summary>
 92         ///  初始化文件
 93         /// </summary>
 94         /// <param name="MemSize">缓冲大小</param>
 95         public ShareMemory( string filename, uint memSize )
 96         {
 97             // 分页映射文件时，每页的起始位置startpos,必须为64K的整数倍。
 98             // memSize即缓存区的大小必须是系统分配粒度的整倍说，window系统的分配粒度是64KB
 99             this.m_MemSize = memSize;
100             Init( filename );
101         }
102 
103 
104         /// <summary>
105         /// 默认映射20M缓冲
106         /// </summary>
107         /// <param name="filename"></param>
108         public ShareMemory( string filename )
109         {
110             this.m_MemSize = 0x1400000;
111             Init( filename );
112         }
113 
114         ~ShareMemory()
115         {
116             Close();
117         }
118 
119         /// <summary>
120         /// 初始化共享内存
121         /// 
122         /// 共享内存名称
123         /// 共享内存大小
124         /// </summary>
125         /// <param name="strName"></param>
126         protected void Init( string strName )
127         {
128             //if (lngSize <= 0 || lngSize > 0x00800000) lngSize = 0x00800000;
129 
130             if ( !System.IO.File.Exists( strName ) ) throw new Exception( "未找到文件" );
131 
132             System.IO.FileInfo f = new System.IO.FileInfo( strName );
133 
134             m_FileSize = f.Length;
135 
136             m_fHandle = File.Open( strName );
137 
138             if ( strName.Length > 0 )
139             {
140                 //创建文件映射
141                 m_hSharedMemoryFile = CreateFileMapping( m_fHandle, IntPtr.Zero, ( uint )PAGE_READONLY, 0, ( uint )m_FileSize, "mdata" );
142                 if ( m_hSharedMemoryFile == IntPtr.Zero )
143                 {
144                     m_bAlreadyExist = false;
145                     m_bInit = false;
146                     throw new Exception( "CreateFileMapping失败LastError=" + GetLastError().ToString() );
147                 }
148                 else
149                     m_bInit = true;
150 
151                 ////映射第一块文件
152                 //m_pwData = MapViewOfFile(m_hSharedMemoryFile, FILE_MAP_READ, 0, 0, (uint)m_MemSize);
153                 //if (m_pwData == IntPtr.Zero)
154                 //{
155                 //    m_bInit = false;
156                 //    throw new Exception("m_hSharedMemoryFile失败LastError=" + GetLastError().ToString());
157                 //}
158 
159             }
160         }
161         /// <summary>
162         /// 获取高32位
163         /// </summary>
164         /// <param name="intValue"></param>
165         /// <returns></returns>
166         private static uint GetHighWord( UInt64 intValue )
167         {
168             return Convert.ToUInt32( intValue >> 32 );
169         }
170         /// <summary>
171         /// 获取低32位
172         /// </summary>
173         /// <param name="intValue"></param>
174         /// <returns></returns>
175         private static uint GetLowWord( UInt64 intValue )
176         {
177 
178             return Convert.ToUInt32( intValue & 0x00000000FFFFFFFF );
179         }
180 
181         /// <summary>
182         /// 获取下一个文件块 块大小为20M
183         /// </summary>
184         /// <returns>false 表示已经是最后一块文件</returns>
185         public uint GetNextblock()
186         {
187             if ( !this.m_bInit ) throw new Exception( "文件未初始化。" );
188             //if ( m_offsetBegin + m_MemSize >= m_FileSize ) return false;
189 
190             uint m_Size = GetMemberSize();
191             if ( m_Size == 0 ) return m_Size;
192 
193             // 更改缓冲区大小
194             m_MemSize = m_Size;
195 
196             //卸载前一个文件
197             //bool l_result = UnmapViewOfFile( m_pwData );
198             //m_pwData = IntPtr.Zero;
199 
200 
201             m_pwData = MapViewOfFile( m_hSharedMemoryFile, FILE_MAP_READ, GetHighWord( ( UInt64 )m_offsetBegin ), GetLowWord( ( UInt64 )m_offsetBegin ), m_Size );
202             if ( m_pwData == IntPtr.Zero )
203             {
204                 m_bInit = false;
205                 throw new Exception( "映射文件块失败" + GetLastError().ToString() );
206             }
207             m_offsetBegin = m_offsetBegin + m_Size;
208 
209             return m_Size; //创建成功
210         }
211         /// <summary>
212         /// 返回映射区大小
213         /// </summary>
214         /// <returns></returns>
215         private uint GetMemberSize()
216         {
217             if ( m_offsetBegin >= m_FileSize )
218             {
219                 return 0;
220             }
221             else if ( m_offsetBegin + m_MemSize >= m_FileSize )
222             {
223                 long temp = m_FileSize - m_offsetBegin;
224                 return ( uint )temp;
225             }
226             else
227                 return m_MemSize;
228         }
229 
230         /// <summary>
231         /// 关闭内存映射
232         /// </summary>
233         public void Close()
234         {
235             if ( m_bInit )
236             {
237                 UnmapViewOfFile( m_pwData );
238                 CloseHandle( m_hSharedMemoryFile );
239                 File.Close();
240             }
241         }
242 
243         /// <summary>
244         /// 从当前块中获取数据
245         /// </summary>
246         /// <param name="bytData">数据</param>
247         /// <param name="lngAddr">起始数据</param>
248         /// <param name="lngSize">数据长度，最大值=缓冲长度</param>
249         /// <param name="Unmap">读取完成是否卸载缓冲区</param>
250         /// <returns></returns>
251         public void Read( ref byte[] bytData, int lngAddr, int lngSize, bool Unmap )
252         {
253             if ( lngAddr + lngSize > m_MemSize )
254                 throw new Exception( "Read操作超出数据区" );
255             if ( m_bInit )
256             {
257                 // string bb = Marshal.PtrToStringAuto(m_pwData);//
258                 Marshal.Copy( m_pwData, bytData, lngAddr, lngSize );
259             }
260             else
261             {
262                 throw new Exception( "文件未初始化" );
263             }
264 
265             if ( Unmap )
266             {
267                 bool l_result = UnmapViewOfFile( m_pwData );
268                 if ( l_result )
269                     m_pwData = IntPtr.Zero;
270             }
271         }
272 
273         /// <summary>
274         /// 从当前块中获取数据
275         /// </summary>
276         /// <param name="bytData">数据</param>
277         /// <param name="lngAddr">起始数据</param>
278         /// <param name="lngSize">数据长度，最大值=缓冲长度</param>
279         /// <exception cref="Exception: Read操作超出数据区"></exception>
280         /// <exception cref="Exception: 文件未初始化"></exception>
281         /// <returns></returns>
282         public void Read( ref byte[] bytData, int lngAddr, int lngSize )
283         {
284             if ( lngAddr + lngSize > m_MemSize )
285                 throw new Exception( "Read操作超出数据区" );
286             if ( m_bInit )
287             {
288                 Marshal.Copy( m_pwData, bytData, lngAddr, lngSize );
289             }
290             else
291             {
292                 throw new Exception( "文件未初始化" );
293             }
294         }
295 
296         /// <summary>
297         /// 从当前块中获取数据
298         /// </summary>
299         /// <param name="lngAddr">缓存区偏移量</param>
300         /// <param name="byteData">数据数组</param>
301         /// <param name="StartIndex">数据数组开始复制的下标</param>
302         /// <param name="lngSize">数据长度，最大值=缓冲长度</param>
303         /// <exception cref="Exception: 起始数据超过缓冲区长度"></exception>
304         /// <exception cref="Exception: 文件未初始化"></exception>
305         /// <returns>返回实际读取值</returns>
306         public uint ReadBytes( int lngAddr, ref byte[] byteData, int StartIndex, uint intSize )
307         {
308             if ( lngAddr >= m_MemSize )
309                 throw new Exception( "起始数据超过缓冲区长度" );
310 
311             if ( lngAddr + intSize > m_MemSize )
312                 intSize = m_MemSize - ( uint )lngAddr;
313 
314             if ( m_bInit )
315             {
316                 IntPtr s = new IntPtr( ( long )m_pwData + lngAddr ); // 地址偏移
317                 Marshal.Copy( s, byteData, StartIndex, ( int )intSize );
318             }
319             else
320             {
321                 throw new Exception( "文件未初始化" );
322             }
323 
324             return intSize;
325         }
326 
327         /// <summary>
328         /// 写数据
329         /// </summary>
330         /// <param name="bytData">数据</param>
331         /// <param name="lngAddr">起始地址</param>
332         /// <param name="lngSize">个数</param>
333         /// <returns></returns>
334         private int Write( byte[] bytData, int lngAddr, int lngSize )
335         {
336             if ( lngAddr + lngSize > m_MemSize ) return 2; //超出数据区
337             if ( m_bInit )
338             {
339                 Marshal.Copy( bytData, lngAddr, m_pwData, lngSize );
340             }
341             else
342             {
343                 return 1; //共享内存未初始化
344             }
345             return 0; //写成功
346         }
347     }
348     internal class FileReader
349     {
350         const uint GENERIC_READ = 0x80000000;
351         const uint OPEN_EXISTING = 3;
352         System.IntPtr handle;
353 
354         [DllImport( "kernel32", SetLastError = true )]
355         public static extern System.IntPtr CreateFile(
356             string FileName,          // file name
357             uint DesiredAccess,       // access mode
358             uint ShareMode,           // share mode
359             uint SecurityAttributes,  // Security Attributes
360             uint CreationDisposition, // how to create
361             uint FlagsAndAttributes,  // file attributes
362             int hTemplateFile         // handle to template file
363         );
364 
365         [System.Runtime.InteropServices.DllImport( "kernel32", SetLastError = true )]
366         static extern bool CloseHandle
367         (
368             System.IntPtr hObject // handle to object
369         );
370 
371 
372 
373         public IntPtr Open( string FileName )
374         {
375             // open the existing file for reading       
376             handle = CreateFile
377             (
378                 FileName,
379                 GENERIC_READ,
380                 0,
381                 0,
382                 OPEN_EXISTING,
383                 0,
384                 0
385             );
386 
387             if ( handle != System.IntPtr.Zero )
388             {
389                 return handle;
390             }
391             else
392             {
393                 throw new Exception( "打开文件失败" );
394             }
395         }
396 
397         public bool Close()
398         {
399             return CloseHandle( handle );
400         }
401     }
402 }

分页读取法（Paging）

另外一种高效读取文件的方法就是分页法，也叫分段法（Segmentation），对应的读取单位被称作页（Page）和段（Segment）。其基本思想是将整体数据分割至较小的粒度再进行处理，以便满足时间、空间和性能方面的要求。分页法的概念使用相当广泛，如嵌入式系统中的分块处理（Blocks）和网络数据的分包传输（Packages）。

在开始研究分页法前，先来看看在超大文件处理中，最为重要的问题：高速随机访问。桌面编程中，分页法通常应用于文字处理、阅读等软件，有时也应用在大型图片显示等方面。这类软件的一个特点就是数据的局部性，无论需要处理的文件有多么大，使用者的注意力（也可以称为视口ViewPort）通常只有非常局部的一点（如几页文档和屏幕大小的图片）。这就要求了接下来，我们要找到一种能够实现高速的随机访问，而这种访问效果还不能和文件大小有关（否则就失去了高速的意义）。事实上，以下我们研究的分页法就是利用了「化整为零」的方法，通过只读取和显示用户感兴趣的那部分数据，达到提升操作速度的目的。

参考上图，假设计算机上有某文件F，其内容为「01234567890123456」（引号「」中的内容，不含引号，下同），文件大小为FileLength=17字节，以PageSize=3对F进行分页，总页数PageCount=6，得到页号为0~5的6个页面（图中页码=页号+1）。各页面所含数据如下表所示。

可以看到，最后一页的长度为2（最后一页长度总是小于PageSize）。

当我们要读取「第n页」的数据（即页码=n）时，实际上读取的是页号PageNumber=n-1的内容。例如n=3时，PageNumber=2，数据为「678」，该页数据偏移量范围从0x06至0x08，长度为3（PageSize）。为便于讲述，在此约定：以下文字中，均只涉及页号，即PageNumber。

参考图2，设当PageNumber=x时，页x的数据范围为[offsetStart, offsetEnd]，那么可以用如下的代码进行计算（C#2.0）。

1 offsetStart = pageNumber * pageSize;
 2 
 3 if(offsetStart + pageSize < fileSize)
 4 {
 5     offsetEnd = offsetStart + pageSize;
 6 }
 7 else
 8 {
 9     offsetEnd = fileSize - 1;
10 }

我们常用的System.IO.FileStream类有两个重要的方法：Seek()和Read()。

1 // 将该流的当前位置设置为给定值。
 2 public override long Seek (
 3     long offset,
 4     SeekOrigin origin
 5 )
 6 
 7 // 从流中读取字节块并将该数据写入给定缓冲区中。
 8 public override int Read (
 9     [InAttribute] [OutAttribute] byte[] array,
10     int offset,
11     int count
12 )

利用这两个方法，我们可以指定每次读取的数据起始位置（offsetStart）和读取长度（offsetEnd - offsetStart），这样就可以读到任意指定的页数据。我们可以遍历读取所有页，这就相当于普通读取整个文件（实际操作中，一般不会有需求一次读取上GB的文件）。

1 byte[] getPage(Int64 pageNumber)
 2 {
 3     if (fileStream == null || !fileStream.CanSeek || !fileStream.CanRead)
 4         return null;
 5 
 6     if (pageNumber < 0 || pageNumber >= pageCount)
 7         return null;
 8 
 9     // absolute offileStreamet of read range
10     Int64 offsetStart = (Int64)pageNumber * (Int64)pageSize;
11     Int64 offsetEnd = 0;
12 
13     if (pageNumber < pageCount - 1)
14     {
15         // not last pageNumber
16         offsetEnd = offsetStart + pageSize - 1;
17     }
18     else
19     {
20         // last pageNumber
21         offsetEnd = fileSize - 1;
22     }
23 
24     byte[] tmp = new byte[offsetEnd - offsetStart + 1];
25 
26     fileStream.Seek(offsetStart, SeekOrigin.Begin);
27     int rd = fileStream.Read(tmp, 0, (Int32)(offsetEnd - offsetStart + 1));
28 
29     return tmp;
30 }

由于每次读取的数据长度（PageSize）远远小于文件长度（FileSize），所以使用分页法能够只读取程序需要的那部分数据，最大化提高程序的运行效率。下表是笔者在实验环境下对分页法读取文件的运行效率的测试。

CPU：Intel Core i3 380M @ 2.53GHz

内存：DDR3 2048MB x2

硬盘：TOSHIBA MK3265GSX (320 GB) @ 5400 RPM

为尽量保证测试质量，测试前系统进行了重装、硬盘整理等维护操作。该硬盘性能测试结果如下图所示。

下面是为了测试分页法而制作的超大文件读取器界面截图，图中读取的是本次试验的用例之一Windows8消费者预览版光盘镜像（大小：3.40GB）。

本次测试选择了「大、中、小」3种规格的测试文件作为测试用例，分别为：

通过进行多次读取，采集到如下表A所示的文件读取数据结果。表中项目「分页(单页)」表示使用分页读取法，但设置页面大小为文件大小（即只有1页）进行读取。同样的，为了解分页读取的性能变化情况，使用普通读取方法（一次读取）采集到另一份数据结果，如下表B所示。

对用例#1，该用例大小仅11MB，使用常规（单次）读取方法，仅用不到20ms即将全部内容读取完毕。而当采用分页法，随着分页大小越来越小，文件被划分为更多的页面，尽管随机访问文件内容使得文件操作更加方便，但在读取整个文件的时候，分页却带来了更多的消耗。例如当分页大小为1KB时，文件被分割为11,611个页面。读取整个文件时，需要重复调用11,611次FileStream.Read()方法，增加了很多消耗，如下图所示。（图中数据仅为全文读取操作对比）

从图中可以看到，当分页尺寸过分的小（1KB）时，这种过度追求微粒化反而导致了操作性能下降。可以看到，即实现了微粒化，能够进行随机访问，同时仍保有一定量的操作性能，分页大小为64KB和1MB是不错的选择。实际上，上文介绍的MapViewOfFile函数的推荐分页大小正是64KB。

对用例#2，该用例大小为695.29MB，达到较大的尺寸，因此对读取缓存（cache）需求较高，同时也对合适的分页尺寸提出了要求。可以看到，和用例#1不同，当文件尺寸从11.34MB增加到近700MB时，分页尺寸随之相应的扩大，是提高操作性能的好方法（下图中1MB分页）。

对用例#3，该用例达到3.4GB大小，符合我们对超大文件的定义。通过前述2个用例的分析，可以推测，为获得最佳性能，分页大小需继续提高（比如从1MB提高到4MB）。由于本次试验时间仓促，考虑不周，未使用「边读取、边丢弃」的测试算法，导致分页读取用例#3的数据时，数据不断在内存中积累，最终引发System.OutOfMemoryException异常，使得分页读取完整文件这项测试不能正常完成。这一问题，需在下次的试验当中加以解决和避免。