使用 ruby​​ 流式传输并解压大型 csv 文件

我遇到问题，需要下载、解压缩，然后逐行处理一个非常大的 CSV 文件。我认为让您了解文件有多大很有用：

• big_file.zip ~700mb
• big_file.csv ~23gb

这是我希望发生的一些事情：

• 解压前不必下载整个文件
• 在解析 csv 行之前不必解压整个文件
• 执行所有这些操作时不要消耗太多内存/磁盘

我不知道这是否可能。这就是我的想法：

require 'open-uri'
require 'rubyzip'
require 'csv'

open('http://foo.bar/big_file.zip') do |zipped|
  Zip::InputStream.open(zipped) do |unzipped|
    sleep 10 until entry = unzipped.get_next_entry && entry.name == 'big_file.csv'
    CSV.foreach(unzipped) do |row|
      # process the row, maybe write out to STDOUT or some file
    end
  end
end

以下是我所知道的问题：

• open-uri读取整个响应并将其保存到Tempfile对于这种大小的文件来说这不太好。我可能需要使用Net::HTTP直接但我不知道如何做到这一点并且仍然得到IO.
• 我不知道下载速度有多快，也不知道是否可以Zip::InputStream按照我展示的方式工作。当文件尚未全部存在时，它可以解压部分文件吗？
• 会不会CSV.foreach使用 ruby​​zip 的InputStream？它的行为是否足够像File它能够解析出行吗？如果它想读取但缓冲区是空的，它会惊慌吗？

我不知道这是否是正确的方法。也许某些 EventMachine 解决方案会更好（虽然我以前从未使用过 EventMachine，但如果它对于这样的事情效果更好，我完全赞成）。

自从我发布这个问题以来已经有一段时间了，如果其他人遇到这个问题，我认为可能值得分享我的发现。

1. 对于行数，我正在处理 Ruby 的标准库CSV太慢了。我的 csv 文件非常简单，我不需要所有这些东西来处理引用的字符串或类型强制。只需使用就容易多了IO#gets然后用逗号分隔该行。
2. 我无法将整个内容从 http 传输到Zip::Inputstream对某些人IO包含 csv 数据。这是因为zip 文件结构 https://en.wikipedia.org/wiki/Zip_(file_format)#Structure文件末尾有中央目录结尾 (EOCD)。这是提取文件所必需的，因此从 http 流式传输它似乎不起作用。

我最终采用的解决方案是将文件下载到磁盘，然后使用 Ruby 的 open3 库和 Linuxunzip包以流式传输 zip 中未压缩的 csv 文件。

require 'open3'

IO.popen('unzip -p /path/to/big_file.zip big_file.csv', 'rb') do |io|
  line = io.gets
  # do stuff to process the CSV line
end

The -p打开 unzip 将提取的文件发送到 stdout。IO.popen然后使用管道使其成为IO红宝石中的对象。效果非常好。你可以将它与CSV如果你想要额外的处理，那对我来说太慢了。

require 'open3'
require 'csv'

IO.popen('unzip -p /path/to/big_file.zip big_file.csv', 'rb') do |io|
  CSV.foreach(io) do |row|
    # process the row
  end
end