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
...
※親戚問每月多少工資時,程序猿該如何回答?
※女朋友掉水裡,各類程序員怎麼救?
TAG:程序員之家 |