您需要将字段自定义解析为更小、更紧凑的类型。如果您存储了一堆重复的字符串，请使用字符串规范化的方式重用重复的字符串（共享引用）。通常的做法是在解析时使用 字符串池 来共享引用。
我在这里发布了一个简短的演示项目 这里，介绍了这个做法的两种方法
- 使用 spork.util.table（我以前的数据表杂凑库），它基于持久结构，并使用了我所提到的技术
- 使用 tech.ml.dataset，这是一项利用 TableSaw 表实现进行快速、内存高效结构（可变的，但COW实现用于持久语义）的最新努力。
这两个解决方案都可以很好地处理一个约300MB的tsv文件，使用默认堆（大约2GB），尽管tech.ml.dataset在实际情况中要显著节省内存。
我还将一个版本放入 测试，用于复制您的测试输入（在一定程度上，我猜测了有多少空值，大约为1/3）。它显示了使用spork、tech.ml（目前尝试解析日期时失败）的方法，最后使用纯clojure函数手动处理。如果您想要最小的内存占用（和性能），则必须解析为原语。不幸的是，Java集合通常被装箱（除了数组），所以您需要像FastUtils或其他原语支持的集合一样的东西。Clojure原语支持向量有所帮助，但它们仍然因数组的trie（数组只位于叶子）而产生引用开销。或者，如果您只是从文件中构建一个由同质类型构成的密集数组，可以构造一个原始数组并填充它。这将节省空间并机械上一致，尤其是如果您使用这些浮点数进行数值运算并可以利用密集格式。
总之，- 原始解析，尤其是保留字符串或装箱对象的引用 - 由于Java对象占用内存较多，需要巨大的堆。
注意：这仅适用于您必须“保留”数据的情况......如果您可以对其进行reduce操作或其他流式计算，则可以尽可能避免使用原始解析进行任意大数据集（例如大于内存的）而不破坏堆，因为JVM将在您处理完后立即回收旧引用。
还有一些其他有用的库可以用于这种类型的任务 iota，
以及通过libpython-clj实现的最新pandas包装器panthera。
内存性能提示：JVM默认不会将内存释放回系统，因此它的内存使用量看起来会“增长”到由-Xmx参数设置的极限（默认为2GB左右），并且似乎会停留在那里（即使在GC周期之后）。如果您想了解实际使用量和预留量，您需要附加一个性能分析器并查看堆使用统计信息（例如jvisualvm）。
