5 億整數的大文件，怎麼排

問題

給你1個文件bigdata，大小4663M，5億個數，文件中的數據隨機,如下一行一個整數：

6196302

3557681

6121580

2039345

2095006

1746773

7934312

2016371

7123302

8790171

2966901

...

7005375

現在要對這個文件進行排序，怎麼搞？

內部排序

先嘗試內排，選2種排序方式：

3路快排：

private final int cutoff = 8;

public void perform(Comparable[] a) {

perform(a,0,a.length - 1);

}

private int median3(Comparable[] 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 void perform(Comparable[] a,int low,int high) {

int n = high - low + 1;

//當序列非常小，用插入排序

if(n

InsertionSort insertionSort = SortFactory.createInsertionSort();

insertionSort.perform(a,low,high);

//當序列中小時，使用median3

}else if(n

int m = median3(a,low,low + (n >>> 1),high);

exchange(a,m,low);

//當序列比較大時，使用ninther

}else {

int gap = n >>> 3;

int m = low + (n >>> 1);

int m1 = median3(a,low,low + gap,low + (gap

int m2 = median3(a,m - gap,m,m + gap);

int m3 = median3(a,high - (gap

int ninther = median3(a,m1,m2,m3);

exchange(a,ninther,low);

}

if(high

return;

//lessThan

int lt = low;

//greaterThan

int gt = high;

//中心點

Comparable pivot = a[low];

int i = low + 1;

/*

* 不變式：

* a[low..lt-1] 小於pivot -> 前部(first)

* a[lt..i-1] 等於 pivot -> 中部(middle)

* a[gt+1..n-1] 大於 pivot -> 後部(final)

*

* a[i..gt] 待考察區域

*/

while (i

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]

perform(a,low,lt - 1);

perform(a,gt + 1,high);

}

歸併排序：

/**

* 小於等於這個值的時候，交給插入排序

*/

private final int cutoff = 8;

/**

* 對給定的元素序列進行排序

*

* @param a 給定元素序列

*/

@Override

public void perform(Comparable[] a) {

Comparable[] b = a.clone();

perform(b, a, 0, a.length - 1);

}

private void perform(Comparable[] src,Comparable[] dest,int low,int high) {

if(low >= high)

return;

//小於等於cutoff的時候,交給插入排序

if(high - low

SortFactory.createInsertionSort().perform(dest,low,high);

return;

}

int mid = low + ((high - low) >>> 1);

perform(dest,src,low,mid);

perform(dest,src,mid + 1,high);

//考慮局部有序 src[mid]

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 void merge(Comparable[] src,Comparable[] dest,int low,int mid,int high) {

for(int i = low,v = low,w = mid + 1; i

if(w > high || v

dest[i] = src[v++];

}else {

dest[i] = src[w++];

}

}

}

數據太多，遞歸太深 ->棧溢出？加大Xss？

數據太多，數組太長 -> OOM？加大Xmx?

耐心不足，沒跑出來.而且要將這麼大的文件讀入內存，在堆中維護這麼大個數據量，還有內排中不斷的拷貝，對棧和堆都是很大的壓力，不具備通用性。

sort命令來跑

sort -n bigdata -o bigdata.sorted

跑了多久呢？24分鐘.

為什麼這麼慢？

粗略的看下我們的資源：

內存

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

外存

swap + 磁碟

數據量很大，函數調用很多，系統調用很多，內核/用戶緩衝區拷貝很多，臟頁回寫很多，io-wait很高，io很繁忙，堆棧數據不斷交換至swap，線程切換很多，每個環節的鎖也很多.

總之，內存吃緊，問磁碟要空間，臟數據持久化過多導致cache頻繁失效，引發大量回寫，回寫線程高，導致cpu大量時間用於上下文切換，一切，都很糟糕，所以24分鐘不細看了，無法忍受.

點陣圖法

private BitSet bits;

public void perform(

String largeFileName,

int total,

String destLargeFileName,

Castor castor,

int readerBufferSize,

int writerBufferSize,

boolean asc) throws IOException {

long start = System.currentTimeMillis();

bits = new BitSet(total);

InputPart largeIn = PartFactory.createCharBufferedInputPart(largeFileName, readerBufferSize);

OutputPart 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();

if(asc) {

for (int i = 0; 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;

}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分來鍾.

以核心內存4663M/32大小的空間跑出這麼個結果，而且大量時間在用於I/O，不錯.

問題是，如果這個時候突然內存條壞了1、2根，或者只有極少的內存空間怎麼搞？

外部排序

該外部排序上場了.

外部排序幹嘛的？

內存極少的情況下，利用分治策略，利用外存保存中間結果，再用多路歸併來排序;

map-reduce的嫡系.

1.分

循環利用memBuffer直到大文件處理完畢，得到n個有序的磁碟文件：

2.合

現在有了n個有序的小文件，怎麼合併成1個有序的大文件？

把所有小文件讀入內存，然後內排？

(⊙o⊙)…

no!

利用如下原理進行歸併排序：

我們舉個簡單的例子：

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

那麼，這3個文件中的最小值是：min(1,2,3) = 1

也就是說，最終大文件的當前最小值，是文件1、2、3的當前最小值的最小值，繞么？

上面拿出了最小值1，寫入大文件.

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

那麼，這3個文件中的最小值是：min(5,2,3) = 2

將2寫入大文件.

也就是說，最小值屬於哪個文件，那麼就從哪個文件當中取下一行數據.（因為小文件內部有序，下一行數據代表了它當前的最小值）

最終的時間，跑了771秒，13分鐘左右.

...

9999966

9999967

9999968

9999969

9999970

9999971

9999972

9999973

9999974

9999975

9999976

9999977

9999978

...

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！