5億整數的大文件,怎麼排?

本人免費整理了Java高級資料,涵蓋了Java、Redis、MongoDB、MySQL、Zookeeper、Spring Cloud、Dubbo高併發分佈式等教程,一共30G,須要本身領取。
傳送門:https://mp.weixin.qq.com/s/osB-BOl6W-ZLTSttTkqMPQ

問題

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

61963023557681612158020393452095006174677379343122016371712330287901712966901...7005375

如今要對這個文件進行排序,怎麼搞?併發

內部排序

先嚐試內排,選2種排序方式:less

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;        //當序列很是小,用插入排序        if(n <= cutoff) {            InsertionSort insertionSort = SortFactory.createInsertionSort();            insertionSort.perform(a,low,high);            //當序列中小時,使用median3        }else if(n <= 100) {            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 << 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;        //中心點        Comparable<T> 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 <= 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);    }

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 <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;
        //小於等於cutoff的時候,交給插入排序        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);
        //考慮局部有序 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++];            }        }    }

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?jvm

耐心不足,沒跑出來.並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,不具有通用性。分佈式

sort命令來跑

跑了多久呢?24分鐘.ide

爲何這麼慢?函數

粗略的看下咱們的資源:高併發

內存 jvm-heap/stack,native-heap/stack,page-cache,block-buffer 外存 swap + 磁盤 數據量很大,函數調用不少,系統調用不少,內核/用戶緩衝區拷貝不少,髒頁回寫不少,io-wait很高,io很繁忙,堆棧數據不斷交換至swap,線程切換不少,每一個環節的鎖也不少. 總之,內存吃緊,問磁盤要空間,髒數據持久化過多致使cache頻繁失效,引起大量回寫,回寫線程高,致使cpu大量時間用於上下文切換,一切,都很糟糕,因此24分鐘不細看了,沒法忍受.spa

位圖法

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

問題是,若是這個時候忽然內存條壞了一、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. 外部排序幹嗎的?

內存極少的狀況下,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

內存中維護一個極小的核心緩衝區memBuffer,將大文件bigdata按行讀入,蒐集到memBuffer滿或者大文件讀完時,對memBuffer中的數據調用內排進行排序,排序後將有序結果寫入磁盤文件bigdata.xxx.part.sorted. 循環利用memBuffer直到大文件處理完畢,獲得n個有序的磁盤文件:

 

2.合

如今有了n個有序的小文件,怎麼合併成1個有序的大文件?把全部小文件讀入內存,而後內排?(⊙o⊙)… no!

利用以下原理進行歸併排序:

 

咱們舉個簡單的例子:

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,是文件一、二、3的當前最小值的最小值,繞麼?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,最小值屬於哪一個文件,那麼就從哪一個文件當中取下一行數據.(由於小文件內部有序,下一行數據表明了它當前的最小值)

最終的時間,跑了771秒,13分鐘左右.

相關文章
相關標籤/搜索