本文介绍如何在 Spring 应用中高效读取分号分隔的 CSV 文件，提取 Timestamp、Code 和 State 字段，并基于预定义的状态流转规则（如 UN → ACK/RTNUN → NORM、UPR → NORM），精准计算合法状态变更的时间差（毫秒级）。
本文介绍如何在 spring 应用中高效读取分号分隔的 csv 文件，提取 timestamp、code 和 state 字段，并基于预define的状态流转规则（如 un → ack/rtnun → norm、upr → norm），精准计算合法状态变更的时间差（毫秒级）。
在 Java（尤其是 Spring 生态）中处理带业务语义的 CSV 数据时，硬编码字符串切分 + 多层嵌套 if 判断极易导致逻辑混乱、可维护性差。正确的做法是：分层解耦 —— 格式解析交由成熟库，状态流转建模为有限状态机（FSM），时间计算依托 Java 8+ 时间 API。以下为推荐实现方案。
✅ 1. 使用 Apache Commons CSV 安全解析 CSV
CSV 格式看似简单，但实际常含空字段、引号包裹、时区偏移（如 +0200）等边界情况。直接 String.split(";") 易出错。推荐引入 Apache Commons CSV（Maven）：
<dependency>
<groupId>org.apache.commons</groupId>
<artifactId>commons-csv</artifactId>
<version>1.10.0</version>
</dependency>解析示例（支持带标题行、分号分隔、自动 trim 空白）：
public List<CsvEvent> parseCsv(Path csvPath) throws IOException {
try (Reader reader = Files.newBufferedReader(csvPath, StandardCharsets.UTF_8)) {
return CSVFormat.EXCEL
.withFirstRecordAsHeader()
.withIgnoreEmptyLines()
.withTrim()
.withDelimiter(';') // 关键：指定分号分隔符
.parse(reader)
.getRecords()
.stream()
.map(this::toCsvEvent)
.filter(Objects::nonNull)
.collect(Collectors.toList());
}
}
private CsvEvent toCsvEvent(CSVRecord record) {
try {
String timestampStr = record.get("Timestamp");
String code = record.get("Code");
String state = record.get("State");
String isppe = record.get("ISPPE"); // 作为唯一标识 key
Instant timestamp = Instant.parse(timestampStr); // 自动支持 ISO-8601 + 时区（如 T13:03:22.653+0200）
return new CsvEvent(timestamp, code.trim(), state.trim(), Long.parseLong(isppe));
} catch (Exception e) {
// 记录警告日志，跳过脏数据行
log.warn("Skip invalid CSV record: {}", record, e);
return null;
}
}?
CsvEvent是轻量数据载体类（含Instant timestamp,String code,String state,long isppe）。立即学习“Java免费学习笔记（深入）”；
✅ 2. 建模状态流转规则（有限状态机）
根据需求，合法流转路径为：
-
UN→ACK或RTNUN -
ACK/RTNUN→NORM -
UPR→NORM - 其他任意组合均为非法，跳过计算
可封装为静态校验方法：
public static boolean isValidTransition(String fromState, String toState) {
return switch (fromState) {
case "UN" -> "ACK".equals(toState) || "RTNUN".equals(toState);
case "ACK", "RTNUN" -> "NORM".equals(toState);
case "UPR" -> "NORM".equals(toState);
default -> false;
};
}✅ 3. 按 Code 分组 + 有序状态链匹配，计算时间差
核心难点在于：同一 Code 的事件可能跨多行、非连续出现，且需严格按时间顺序匹配合法状态对（如 UN→ACK，而非 ACK→UN）。推荐步骤：
-
按
Code分组：确保同组内事件属于同一业务实体； -
组内按
Timestamp升序排序：保证状态流时间正确性； -
滑动窗口扫描：对每组事件，遍历相邻两行，检查
(prev.state → curr.state)是否合法； -
记录结果：以
ISPPE（即问题中的“key”）为标识，存储Duration.toMillis()差值。
完整计算逻辑：
public Map<Long, Long> calculateStateDurations(List<CsvEvent> events) {
return events.stream()
.collect(Collectors.groupingBy(
CsvEvent::getCode,
LinkedHashMap::new, // 保持分组插入顺序（可选）
Collectors.collectingAndThen(
Collectors.toList(),
this::calculateGroupDurations
)
))
.values()
.stream()
.flatMap(Map::entrySet)
.collect(Collectors.toMap(
Map.Entry::getKey,
Map.Entry::getValue,
(v1, v2) -> v1, // ISPPE 冲突时保留首个（因同一 Code 下 ISPPE 应唯一标识事件序列）
LinkedHashMap::new
));
}
private Map<Long, Long> calculateGroupDurations(List<CsvEvent> group) {
Map<Long, Long> result = new LinkedHashMap<>();
// 按时间戳升序（确保状态流方向正确）
group.sort(Comparator.comparing(CsvEvent::getTimestamp));
for (int i = 0; i < group.size() - 1; i++) {
CsvEvent prev = group.get(i);
CsvEvent curr = group.get(i + 1);
if (prev.getCode().equals(curr.getCode()) // 同一 Code
&& isValidTransition(prev.getState(), curr.getState())) {
long durationMs = Duration.between(prev.getTimestamp(), curr.getTimestamp()).toMillis();
// 使用 ISPPE 作为 key（问题要求："key would be 1223085273"）
result.put(prev.getIsppe(), durationMs);
}
}
return result;
}⚠️ 注意事项与最佳实践
-
时区安全：
Instant.parse()原生支持带+0200的 ISO-8601 字符串，无需手动处理时区，避免SimpleDateFormat线程不安全问题； -
性能优化：若文件极大（GB 级），改用
Stream+Files.lines()流式处理，避免全量加载内存； - 错误容忍：对解析失败、非法状态、缺失字段等，统一打 warn 日志并跳过，保障主流程健壮性；
-
Spring 集成：将上述逻辑封装为
@Service，通过ResourceLoader注入 CSV 路径，支持配置化切换文件源； -
扩展性：状态规则可外置为 YAML 配置（如
state-rules.yml），通过@ConfigurationProperties加载，便于运维调整。
最终输出示例（Map<long long></long>）：
1223085273 → 5845 // UN → ACK 1223091118 → 1 // ACK → RTNUN（非法，被过滤） 1223091119 → 1 // RTNUN → NORM（合法） 1223167018 → 12204 // UN → RTNUN ...
此方案结构清晰、职责分明，彻底规避“if 嵌套地狱”，兼具可读性、可测性与可维护性，是工业级 CSV 业务处理的推荐范式。
