面試被問傻！5億個數大文件怎麼排序？

時間 2020-04-28

原文原文鏈接

曾經被問傻的一道面試題分享給你：java

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：面試

如今要對這個文件進行排序，怎麼搞？後端

內部排序

先嚐試內排，選2種排序方式：數組

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;  
  
  if(n <= cutoff) {  
    InsertionSort insertionSort = SortFactory.createInsertionSort();  
    insertionSort.perform(a,low,high);  
  
  }else if(n <= 100) {  
    int m = median3(a,low,low + (n >>> 1),high);  
    exchange(a,m,low);  
  
  }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;  
  
  int lt = low;  
  
  int gt = high;  
  
  Comparable<T> pivot = a[low];  
  int i = low + 1;  
  
  
  
  while (i <= gt) {  
    if(lessThan(a[i],pivot)) {  
  
      exchange(a,lt++,i++);  
    }else if(lessThan(pivot,a[i])) {  
      exchange(a,i,gt--);  
    }else{  
      i++;  
    }  
  }  
  
  
  perform(a,low,lt - 1);  
  perform(a,gt + 1,high);  
}

歸併排序：

private final int cutoff = 8;  
  
  
@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;  
  
  
  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);  
  
  
  if(lessThanOrEqual(src[mid],src[mid+1])) {  
    System.arraycopy(src,low,dest,low,high - low + 1);  
  }  
  
  
  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？多線程

數據太多，數組太長 -> OOM？加大Xmx?架構

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。less

sort命令來跑

sort -n bigdata -o bigdata.sorted

跑了多久呢？24分鐘.jvm

爲何這麼慢？ide

粗略的看下咱們的資源：函數

內存

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

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.

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.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.

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