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（String canonicalization）以复用重复的字符串（共享引用）。实现这一功能的典型方法是在解析时使用 字符串池（string pools） 来共享引用。
我在这里发布了一个简短的项目演示 （链接） ，它在这方面采用了两种方法。
- 使用 spork.util.table（我老式的表格调整库），它基于持久结构并使用了我所提到的技术。
- 使用 tech.ml.dataset，这是最近的一项努力，它利用了 TableSaw 表实现，以实现快速、内存效率高的结构（可变的，但使用 COW 实现持久语义）。
这两种解决方案都能轻松处理大约 300MB 的 tsv 文件，尽管使用默认堆（大约 2GB），而 tech.ml.dataset 在实际中要显著节省内存。
我还将一个版本放在了 （链接） ，该版本复制了您的测试输入（在一定程度上，我在空字符串的数量上猜测了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，最后是使用普通的 Clojure 函数手动解析。如果您想要最小的内存占用（以及性能），那么将数据解析为原始类型是必需的。不幸的是，Java 集合通常是封装的（除了数组外），因此您需要像 FastUtils 或其他原始支持集合一样的东西。Clojure 原始背景向量有点帮助，但它们仍然由于数组（数组只有叶子）的 trie 而产生引用开销。或者，如果您只是从文件中构建一个同质类型的密集数组，您可以直接构建一个原始数组并填充它。这将非常节省空间，并且与机械操作更和谐，尤其是如果您使用这些浮点数进行数值计算并可以利用密集格式。
总之，-朴素解析，尤其是当保留对字符串或封装对象的引用时——将需要过多的堆，因为 Java 对象内存占用很大。正如 Andy 所说，较新的 JVM 可以通过压缩字符串（它在 JVM 层面上与字符串规范执行相同的作用，但非常好）稍微缓解这个问题。
注意：这仅适用于您必须“保留”数据的情况……如果您可以对其应用 Reduce 或其他方式进行流式计算，则可以无需打破堆，轻松地使用朴素解析处理任意数据集（例如，大于内存的数据集），因为 JVM 会在您处理旧引用后立即进行垃圾回收。
还有一些其他有用的库可用于此类任务 iota ，
以及最近通过 libpython-clj 的小 pandas 封装 panthera。
内存性能说明：JVM 默认不会将内存释放回系统，因此它看起来会“增长”到由 -Xmx 设置的限制（我认为默认是 2GB），并且它看起来会停留在那里（甚至在垃圾回收周期之后）。如果您想了解实际使用和保留的内存情况，您需要附加一个分析器并查看堆使用统计信息（如 jvisualvm）。
