欢迎来到知了堂!
联系电话:知了堂-电话号码 028-62016472

对5亿整数的大文件进行排序,你会怎么做-知了堂

对5亿整数的大文件进行排序,你会怎么做

  问题

  给你1个文件bigdata,大小4663M,5亿个数,文件中的数据随机,如下一行一个整数:


6196302
3557681
6121580
2039345
2095006
1746773
7934312
2016371
7123302
8790171
2966901
...
7005375

  现在要对这个文件进行排序,怎么搞?

  内部排序

  先尝试内排,选2种排序方式:
 

  private final int cutoff = 8;
  publicvoid perform(Comparable[] a) {
  perform(a,0,a.length - 1);
  }
  privateint 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;
  }
  }
  }
  privatevoid perform(Comparable[] a,int low,int high) {
  int n = high - low + 1;
  //当序列非常小,用插入排序
  if(n <= cutoff) {
  InsertionSort insertionSort = SortFactory.createInsertionSort();
  insertionSort.perform(a,low,high);
  //当序列中小时,使用median3
  }else if(n <= 100) {
  int m = median3(a,low,low + (n >>> 1),high);
  exchange(a,m,low);
  //当序列比较大时,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;
  //中心点
  Comparablepivot = a[low];
  int i = low + 1;
  /*
  * 不变式:
  * a[low..lt-1] 小于pivot -> 前部(first)
  * a[lt..i-1] 等于 pivot -> 中部(middle)
  * a[gt+1..n-1] 大于 pivot -> 后部(final)
  *
  * a[i..gt] 待考察区域
  */
  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);
  }

  归并排序:

 

  /**
  * 小于等于这个值的时候,交给插入排序
  */
  private final int cutoff = 8;
  /**
  * 对给定的元素序列进行排序
  *
  * @param a 给定元素序列
  */
  @Override
  publicvoid perform(Comparable[] a) {
  Comparable[] b = a.clone();
  perform(b, a, 0, a.length - 1);
  }
  privatevoid perform(Comparable[] src,Comparable[] dest,int low,int high) {
  if(low >= high)
  return;
  //小于等于cutoff的时候,交给插入排序
  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);
  //考虑局部有序 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);
  }
  privatevoid merge(Comparable[] src,Comparable[] 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++];
  }
  }
  }

    数据太多,递归太深 ->栈溢出?加大Xss? 数据太多,数组太长 -> OOM?加大Xmx?

  耐心不足,没跑出来.而且要将这么大的文件读入内存,在堆中维护这么大个数据量,还有内排中不断的拷贝,对栈和堆都是很大的压力,不具备通用性。

  sort命令来跑

  跑了多久呢?24分钟.

  为什么这么慢?

  粗略的看下我们的资源:

  内存 jvm-heap/stack,native-heap/stack,page-cache,block-buffer 外存 swap + 磁盘 数据量很大,函数调用很多,系统调用很多,内核/用户缓冲区拷贝很多,脏页回写很多,io-wait很高,io很繁忙,堆栈数据不断交换至swap,线程切换很多,每个环节的锁也很多. 总之,内存吃紧,问磁盘要空间,脏数据持久化过多导致cache频繁失效,引发大量回写,回写线程高,导致cpu大量时间用于上下文切换,一切,都很糟糕,所以24分钟不细看了,无法忍受.

  位图法:

  private BitSet bits;
  public void perform(
  String largeFileName,
  int total,
  String destLargeFileName,
  Castorcastor,
  int readerBufferSize,
  int writerBufferSize,
  boolean asc) throws IOException {
  System.out.println("BitmapSort Started.");
  long start = System.currentTimeMillis();
  bits = new BitSet(total);
  InputPartlargeIn = PartFactory.createCharBufferedInputPart(largeFileName, readerBufferSize);
  OutputPartlargeOut = 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分来钟. 以核心内存4663M/32大小的空间跑出这么个结果,而且大量时间在用于I/O,不错.

    问题是,如果这个时候突然内存条坏了1、2根,或者只有极少的内存空间怎么搞?

  外部排序

  该外部排序上场了. 外部排序干嘛的?

  内存极少的情况下,利用分治策略,利用外存保存中间结果,再用多路归并来排序;

  map-reduce的嫡系.

  map-reduce的嫡系.
  map-reduce的嫡系.

 

 

       1.分

  内存中维护一个极小的核心缓冲区memBuffer,将大文件bigdata按行读入,搜集到memBuffer满或者大文件读完时,对memBuffer中的数据调用内排进行排序,排序后将有序结果写入磁盘文件bigdata.xxx.part.sorted. 循环利用memBuffer直到大文件处理完毕,得到n个有序的磁盘文件:

利用memBuffer直到大文件处理完毕,得到n个有序的磁盘文件

 

       2.合

  现在有了n个有序的小文件,怎么合并成1个有序的大文件? 把所有小文件读入内存,然后内排? (⊙o⊙)… no!

  利用如下原理进行归并排序:

利用如下原理进行归并排序

 

       我们举个简单的例子:

  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 那么,这3个文件中的最小值是:min(1,2,3) = 1 也就是说,最终大文件的当前最小值,是文件1、2、3的当前最小值的最小值,绕么? 上面拿出了最小值1,写入大文件.

  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 那么,这3个文件中的最小值是:min(5,2,3) = 2 将2写入大文件.

  也就是说,最小值属于哪个文件,那么就从哪个文件当中取下一行数据.(因为小文件内部有序,下一行数据代表了它当前的最小值)

  最终的时间,跑了771秒,13分钟左右.

  版权声明:本文来源于网络,由知了堂搜集整理,仅供大家学习Java编程时参考