5億整數的大文件，怎麼排？

時間 2020-01-14

標籤整數文件怎麼简体版

原文原文鏈接

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：