streaming-export-safety

name	streaming-export-safety
description	当代码涉及 Excel/CSV/JSON/PDF 大文件导出、批量序列化、内存里构建大对象时触发。防止 OOM、临时文件残留、同步导出阻塞 HTTP 线程等内存安全陷阱。

流式导出 / 大对象内存安全

当一次性 in-memory 构建数据超过 1 万行 / 10 MB 时，必须切换为流式 API。 否则常见后果：OOM、Full GC 风暴、临时文件残留、HTTP 超时。

---

决策：什么时候必须流式？

数据量级	推荐模式	备注
≤ 1 万行 / ≤ 5 MB	内存构建 OK	XSSFWorkbook / pandas / 普通 JSON 序列化
1 万 ~ 10 万行	强烈建议流式	单机够用，但有 OOM 风险
> 10 万行 / > 50 MB	必须流式 + 异步	内存模型会爆
数据量未知（用户驱动）	必须流式 + 上限保护	永远按最坏情况设计

核心判断：能不能预估上限？预估超过 1 万行就上流式。

---

陷阱 #1：Excel 大数据 → XSSFWorkbook 全量加载 OOM

嗅探信号

代码评审看到以下模式立即怀疑：

• new XSSFWorkbook() + 循环 createRow 超过 1 万次
• EasyExcel.write(...).sheet().doWrite(data) 中 data.size() > 10000
• openpyxl.Workbook()（未带 write_only=True）+ 循环 append
• excelize.NewFile() + SetCellValue 大量循环
• ExcelJS.Workbook()（未用 stream 子模块）

正确做法：Java + Apache POI SXSSF

// ❌ XSSF 全量内存（10w 行直接 OOM）
XSSFWorkbook wb = new XSSFWorkbook();
Sheet sheet = wb.createSheet();
for (int i = 0; i < 100_000; i++) {
    Row row = sheet.createRow(i);
    row.createCell(0).setCellValue("data");
}

// ✅ SXSSF 流式（windowSize=100，超出窗口写临时文件）
SXSSFWorkbook wb = null;
try {
    wb = new SXSSFWorkbook(100);
    wb.setCompressTempFiles(true);
    Sheet sheet = wb.createSheet();
    for (int i = 0; i < 100_000; i++) {
        Row row = sheet.createRow(i);
        row.createCell(0).setCellValue("data");
    }
    try (OutputStream os = new FileOutputStream("out.xlsx")) {
        wb.write(os);
    }
} finally {
    if (wb != null) {
        wb.dispose();
    }
}

SXSSF 限制（必须告知调用方）

• ❌ 不能随机访问已 flush 的行（超过 windowSize 后该行不可读）
• ❌ 不支持公式自动计算（需要预先 evaluator.evaluateAll()）
• ❌ 不支持 cloneSheet、不支持合并多个已写出的 Sheet
• ⚠️ 临时文件默认在 java.io.tmpdir，容器环境注意磁盘配额
• ⚠️ 必须 dispose()，否则临时文件残留

EasyExcel（阿里）流式写入

// ✅ EasyExcel 默认就是流式，分批写入
EasyExcel.write("out.xlsx", DataDTO.class)
    .registerWriteHandler(new LongestMatchColumnWidthStyleStrategy())
    .sheet("data")
    .doWrite(() -> {
        // 分页拿数据，每次返回一批
        return loadBatch(pageNo++, BATCH_SIZE);
    });

其他语言核心 API

语言	流式 API	关键差异
Python	openpyxl.Workbook(write_only=True)	❌ 不能用 ws.cell()，只能 ws.append(row)，不可回写
Python	pandas.read_excel(chunksize=N)	读端分批；写端用 ExcelWriter(engine='openpyxl')
Go	f.NewStreamWriter("Sheet1") (excelize v2.x)	必须 sw.Flush()，否则数据丢失
Node.js	new ExcelJS.stream.xlsx.WorkbookWriter({filename})	每个 row row.commit()，最后 workbook.commit()

完整代码示例见 references/multi-lang-examples.md

---

陷阱 #2：CSV 大文件 → 整文件 readlines / List 拼接

错误示例

// ❌ 一次性读入全部行
List<String> lines = Files.readAllLines(Paths.get("huge.csv"));

// ❌ 一次性构建全部字符串
StringBuilder sb = new StringBuilder();
for (Record r : records) sb.append(r.toCsv()).append("\n");
Files.write(path, sb.toString().getBytes());

正确做法

// ✅ 读：BufferedReader 逐行
try (BufferedReader reader = Files.newBufferedReader(path)) {
    String line;
    while ((line = reader.readLine()) != null) {
        processLine(line);
    }
}

// ✅ 写：OpenCSV CSVWriter 逐行 flush
try (CSVWriter writer = new CSVWriter(new FileWriter(path))) {
    for (Record r : records) {
        writer.writeNext(r.toArray());
    }
}

其他语言核心 API

语言	写	读
Python	csv.writer(f).writerows(iter)	csv.reader(f) 迭代器 / pandas.read_csv(chunksize=N)
Go	csv.NewWriter(f) + w.Flush() 必须调用	csv.NewReader(f).Read() 逐行
Node.js	csv-stringify stream	csv-parse stream

陷阱：Go 的 csv.Writer 不自动 flush，忘记调用 w.Flush() 数据全在 buffer 里。

---

陷阱 #3：JSON 大数组导出 → ObjectMapper.writeValueAsString

错误示例

// ❌ 整数组先序列化为 String，再写文件
List<Order> orders = repo.findAll(); // 100w 行
String json = objectMapper.writeValueAsString(orders);  // OOM
Files.write(path, json.getBytes());

正确做法：JsonGenerator 流式

// ✅ Jackson JsonGenerator 流式写
try (JsonGenerator gen = objectMapper.getFactory()
        .createGenerator(new FileOutputStream(path), JsonEncoding.UTF8)) {
    gen.writeStartArray();
    int page = 0;
    Page<Order> orderPage;
    do {
        orderPage = repo.findAll(PageRequest.of(page++, 1000));
        for (Order o : orderPage.getContent()) {
            objectMapper.writeValue(gen, o);
        }
    } while (orderPage.hasNext());
    gen.writeEndArray();
}

推荐替代：JSONL（行分隔 JSON）

数据量极大时，输出格式选 JSONL（每行一个 JSON 对象）比标准 JSON 数组更友好：

{"id":1,"name":"a"}
{"id":2,"name":"b"}

下游可以一行一行解析，不需要先读完整个文件。

其他语言核心 API

语言	流式 API
Python	orjson 单条 dumps + 写 .jsonl；或 ijson 读流式
Go	json.NewEncoder(w).Encode(v) 逐对象（天然生成 JSONL）
Node.js	JSONStream.stringify()

---

陷阱 #4：PDF 大报表 → 全文档预渲染

错误示例

// ❌ 一次性把所有 Page 加到 Document，再 save
PDDocument doc = new PDDocument();
for (int i = 0; i < 10_000; i++) {
    doc.addPage(buildPage(data.get(i)));  // 全部 Page 在内存
}
doc.save(path);

正确做法：分批写 + flush

// ✅ iText 流式：每个 Page 写完立即 flush
try (PdfDocument doc = new PdfDocument(new PdfWriter(path))) {
    Document layout = new Document(doc);
    for (Order o : orders) {
        layout.add(buildParagraph(o));
        if (orderIndex++ % 100 == 0) {
            doc.getWriter().flush();  // 100 条 flush 一次
        }
    }
}

其他语言核心 API

语言	流式 API	关键操作
Python	ReportLab Canvas	每页 c.showPage() 后 c.save() 增量写
Go	gofpdf.New(...) + pdf.AddPage()	OutputFileAndClose(path) 一次写出（内存大时考虑 unidoc 流式）
Node.js	PDFKit	doc.pipe(fs.createWriteStream(path))

注意：很多 PDF 库（如 PDFBox、jsPDF）没有真正的流式 API —— 整文档必须留在内存里。 数据量大时考虑：

1. 拆成多个 PDF
2. 改用专业流式库（iText 商用、ReportLab）
3. 走异步 + 文件存储

---

陷阱 #5：大数据导出同步阻塞 HTTP 线程

问题

同步导出 > 30s 会被 Nginx / 网关切断 504；HTTP 线程被长时间占用，影响其他请求。

错误示例

// ❌ Controller 同步生成 + 返回
@GetMapping("/export/orders")
public ResponseEntity<byte[]> exportOrders() {
    byte[] excel = buildExcelInMemory();  // 占用 HTTP 线程 60s+
    return ResponseEntity.ok().body(excel);
}

正确做法：任务化 + 轮询/通知

// ✅ 接口立即返回任务 ID
@PostMapping("/export/orders")
public ExportTaskDTO export() {
    String taskId = exportTaskService.submit(...);
    return new ExportTaskDTO(taskId, "PROCESSING");
}

// ✅ 异步执行 + 写到对象存储
@Async("exportExecutor")
public void execute(String taskId, ...) {
    try (SXSSFWorkbook wb = new SXSSFWorkbook(100)) {
        // 流式写
        File temp = streamToFile(wb);
        String url = ossClient.upload(temp);
        taskRepo.complete(taskId, url);
    }
}

// ✅ 查询接口
@GetMapping("/export/tasks/{id}")
public ExportTaskDTO query(@PathVariable String id) { ... }

详见 async-task-pattern skill —— 异步任务的状态机、超时、重试、幂等

---

通用检查清单

• 数据量预估超过 1 万行的导出是否用了流式 API
• 临时文件清理是否在 try-finally / defer / with / using 中（SXSSF 必须 dispose()）
• 临时目录是否检查了磁盘配额（容器环境 /tmp 可能很小）
• 流式 API 的限制是否告知了调用方（不能回写 / 不支持公式 / 必须 flush）
• 导出接口是否异步化（任务 ID + 轮询 / WebSocket 通知）
• 错误恢复：流式写入中断时临时文件是否清理
• 是否设置了数据量上限（防止用户传 pageSize=999999）
• 大文件是否上传到对象存储而非内存返回

---

相关 skill

• async-task-pattern —— 异步任务的状态机、超时、幂等
• query-performance-safety —— 防止导出时 N+1、IN 子句过长
• field-mapping-safety —— DTO 转换时字段映射一致性

---

规则溯源

> 📋 本回复遵循：`streaming-export-safety` - [章节]