5亿整数的大文件，怎么排序？-白红宇

5亿整数的大文件，怎么排序？

阅读量：4284 次

发布时间：2019-05-27

本文共 6177 字，大约阅读时间需要 20 分钟。

http://www.importnew.com/23450.html?utm_source=tuicool&utm_medium=referral

问题

给你1个文件bigdata，大小4663M，5亿个数，文件中的数据随机,如下一行一个整数：

现在要对这个文件进行排序，怎么搞？

内部排序

先尝试内排，选2种排序方式：

3路快排：

                      
private
 final
 int
 cutoff = 
8
;
public
 <T> 
void
 perform(Comparable<T>[] a) { 
        
perform(a,
0
,a.length - 
1
);
    
}
    
private
 <T> 
int
 median3(Comparable<T>[] a,
int
 x,
int
 y,
int
 z) { 
        
if
(lessThan(a[x],a[y])) { 
            
if
(lessThan(a[y],a[z])) { 
                
return
 y;
            
}
            
else
 if
(lessThan(a[x],a[z])) { 
                
return
 z;
            
}
else
 { 
                
return
 x;
            
}
        
}
else
 { 
            
if
(lessThan(a[z],a[y])){ 
                
return
 y;
            
}
else
 if
(lessThan(a[z],a[x])) { 
                
return
 z;
            
}
else
 { 
                
return
 x;
            
}
        
}
    
}
    
private
 <T> 
void
 perform(Comparable<T>[] a,
int
 low,
int
 high) { 
        
int
 n = high - low + 
1
;
        
//当序列非常小，用插入排序
        
if
(n <= cutoff) { 
            
InsertionSort insertionSort = SortFactory.createInsertionSort();
            
insertionSort.perform(a,low,high);
            
//当序列中小时，使用median3
        
}
else
 if
(n <= 
100
) { 
            
int
 m = median3(a,low,low + (n >>> 
1
),high);
            
exchange(a,m,low);
            
//当序列比较大时，使用ninther
        
}
else
 { 
            
int
 gap = n >>> 
3
;
            
int
 m = low + (n >>> 
1
);
            
int
 m1 = median3(a,low,low + gap,low + (gap << 
1
));
            
int
 m2 = median3(a,m - gap,m,m + gap);
            
int
 m3 = median3(a,high - (gap << 
1
),high - gap,high);
            
int
 ninther = median3(a,m1,m2,m3);
            
exchange(a,ninther,low);
        
}
        
if
(high <= low)
            
return
;
        
//lessThan
        
int
 lt = low;
        
//greaterThan
        
int
 gt = high;
        
//中心点
        
Comparable<T> pivot =  a[low];
        
int
 i = low + 
1
;
        
/*
        
* 不变式：
        
*   a[low..lt-1] 小于pivot -> 前部(first)
        
*   a[lt..i-1] 等于 pivot -> 中部(middle)
        
*   a[gt+1..n-1] 大于 pivot -> 后部(final)
        
*
        
*   a[i..gt] 待考察区域
        
*/
        
while
 (i <= gt) { 
            
if
(lessThan(a[i],pivot)) { 
                
//i-> ,lt ->
                
exchange(a,lt++,i++);
            
}
else
 if
(lessThan(pivot,a[i])) { 
                
exchange(a,i,gt--);
            
}
else
{ 
                
i++;
            
}
        
}
        
// a[low..lt-1] < v = a[lt..gt] < a[gt+1..high].
        
perform(a,low,lt - 
1
);
        
perform(a,gt + 
1
,high);
    
}
       
     

归并排序：

                      
/**
 
* 小于等于这个值的时候，交给插入排序
 
*/
private
 final
 int
 cutoff = 
8
;
/**
 
* 对给定的元素序列进行排序
 
*
 
* @param a 给定元素序列
 
*/
@Override
public
 <T> 
void
 perform(Comparable<T>[] a) { 
    
Comparable<T>[] b = a.clone();
    
perform(b, a, 
0
, a.length - 
1
);
}
private
 <T> 
void
 perform(Comparable<T>[] src,Comparable<T>[] dest,
int
 low,
int
 high) { 
    
if
(low >= high)
        
return
;
    
//小于等于cutoff的时候,交给插入排序
    
if
(high - low <= cutoff) { 
        
SortFactory.createInsertionSort().perform(dest,low,high);
        
return
;
    
}
    
int
 mid = low + ((high - low) >>> 
1
);
    
perform(dest,src,low,mid);
    
perform(dest,src,mid + 
1
,high);
    
//考虑局部有序 src[mid] <= src[mid+1]
    
if
(lessThanOrEqual(src[mid],src[mid+
1
])) { 
        
System.arraycopy(src,low,dest,low,high - low + 
1
);
    
}
    
//src[low .. mid] + src[mid+1 .. high] -> dest[low .. high]
    
merge(src,dest,low,mid,high);
}
private
 <T> 
void
 merge(Comparable<T>[] src,Comparable<T>[] dest,
int
 low,
int
 mid,
int
 high) { 
    
for
(
int
 i = low,v = low,w = mid + 
1
; i <= high; i++) { 
        
if
(w > high || v <= mid && lessThanOrEqual(src[v],src[w])) { 
            
dest[i] = src[v++];
        
}
else
 { 
            
dest[i] = src[w++];
        
}
    
}
}
       
     

数据太多，递归太深 ->栈溢出？加大Xss？

数据太多，数组太长 -> OOM？加大Xmx?

耐心不足，没跑出来.而且要将这么大的文件读入内存，在堆中维护这么大个数据量，还有内排中不断的拷贝，对栈和堆都是很大的压力，不具备通用性。

sort命令来跑

                      
sort
 -n bigdata -o bigdata.sorted

跑了多久呢？24分钟.

为什么这么慢？

粗略的看下我们的资源：

内存
jvm-heap/stack，native-heap/stack,page-cache，block-buffer

外存
swap + 磁盘

数据量很大，函数调用很多，系统调用很多，内核/用户缓冲区拷贝很多，脏页回写很多，io-wait很高，io很繁忙，堆栈数据不断交换至swap，线程切换很多，每个环节的锁也很多.

总之，内存吃紧，问磁盘要空间，脏数据持久化过多导致cache频繁失效，引发大量回写，回写线程高，导致cpu大量时间用于上下文切换，一切，都很糟糕，所以24分钟不细看了，无法忍受.

位图法

                      
private
 BitSet bits;
public
 void
 perform(
        
String largeFileName,
        
int
 total,
        
String destLargeFileName,
        
Castor<Integer> castor,
        
int
 readerBufferSize,
        
int
 writerBufferSize,
        
boolean
 asc) 
throws
 IOException { 
    
System.out.println(
"BitmapSort Started."
);
    
long
 start = System.currentTimeMillis();
    
bits = 
new
 BitSet(total);
    
InputPart<Integer> largeIn = PartFactory.createCharBufferedInputPart(largeFileName, readerBufferSize);
    
OutputPart<Integer> largeOut = PartFactory.createCharBufferedOutputPart(destLargeFileName, writerBufferSize);
    
largeOut.delete();
    
Integer data;
    
int
 off = 
0
;
    
try
 { 
        
while
 (
true
) { 
            
data = largeIn.read();
            
if
 (data == 
null
)
                
break
;
            
int
 v = data;
            
set(v);
            
off++;
        
}
        
largeIn.close();
        
int
 size = bits.size();
        
System.out.println(String.format(
"lines : %d ,bits : %d"
, off, size));
        
if
(asc) { 
            
for
 (
int
 i = 
0
; i < size; i++) { 
                
if
 (get(i)) { 
                    
largeOut.write(i);
                
}
            
}
        
}
else
 { 
            
for
 (
int
 i = size - 
1
; i >= 
0
; i--) { 
                
if
 (get(i)) { 
                    
largeOut.write(i);
                
}
            
}
        
}
        
largeOut.close();
        
long
 stop = System.currentTimeMillis();
        
long
 elapsed = stop - start;
        
System.out.println(String.format(
"BitmapSort Completed.elapsed : %dms"
,elapsed));
    
}
finally
 { 
        
largeIn.close();
        
largeOut.close();
    
}
}
private
 void
 set(
int
 i) { 
    
bits.set(i);
}
private
 boolean
 get(
int
 v) { 
    
return
 bits.get(v);
}
       
     

nice!跑了190秒，3分来钟.

以核心内存4663M/32大小的空间跑出这么个结果，而且大量时间在用于I/O，不错.

问题是，如果这个时候突然内存条坏了1、2根，或者只有极少的内存空间怎么搞？

外部排序

该外部排序上场了.

外部排序干嘛的？

内存极少的情况下，利用分治策略，利用外存保存中间结果，再用多路归并来排序;

map-reduce的嫡系.

这里写图片描述

1.分

内存中维护一个极小的核心缓冲区memBuffer，将大文件bigdata按行读入，搜集到memBuffer满或者大文件读完时，对memBuffer中的数据调用内排进行排序，排序后将有序结果写入磁盘文件bigdata.xxx.part.sorted.

循环利用memBuffer直到大文件处理完毕，得到n个有序的磁盘文件：

这里写图片描述

2.合

现在有了n个有序的小文件，怎么合并成1个有序的大文件？

把所有小文件读入内存，然后内排？

(⊙o⊙)…

no!

利用如下原理进行归并排序：

我们举个简单的例子：

文件1：3,6,9
文件2：2,4,8
文件3：1,5,7

第一回合：
文件1的最小值：3 , 排在文件1的第1行
文件2的最小值：2，排在文件2的第1行
文件3的最小值：1，排在文件3的第1行
那么，这3个文件中的最小值是：min(1,2,3) = 1
也就是说，最终大文件的当前最小值，是文件1、2、3的当前最小值的最小值，绕么？
上面拿出了最小值1，写入大文件.

第二回合：
文件1的最小值：3 , 排在文件1的第1行
文件2的最小值：2，排在文件2的第1行
文件3的最小值：5，排在文件3的第2行
那么，这3个文件中的最小值是：min(5,2,3) = 2
将2写入大文件.

也就是说，最小值属于哪个文件，那么就从哪个文件当中取下一行数据.（因为小文件内部有序，下一行数据代表了它当前的最小值）

最终的时间，跑了771秒，13分钟左右.

                         
less bigdata.sorted.text
...
9999966
9999967
9999968
9999969
9999970
9999971
9999972
9999973
9999974
9999975
9999976
9999977
9999978
...
        
      

你可能感兴趣的文章