5 億整數的大檔案，怎麼排
問題
給你1個檔案bigdata，大小4663M，5億個數，檔案中的資料隨機,如下一行一個整數：
6196302
3557681
6121580
2039345
2095006
1746773
7934312
2016371
7123302
8790171
2966901
...
7005375
現在要對這個檔案進行排序，怎麼搞？
內部排序
先嚐試內排，選2種排序方式：
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;
//當序列非常小，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);
//考慮區域性有序 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++];
}
}
}
資料太多，遞迴太深 ->棧溢位？加大Xss？
資料太多，陣列太長 -> OOM？加大Xmx?
耐心不足，沒跑出來.而且要將這麼大的檔案讀入記憶體，在堆中維護這麼大個資料量，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：
記憶體
jvm-heap/stack，native-heap/stack,page-cache，block-buffer
外存
swap + 磁碟
資料量很大，函式呼叫很多，系統呼叫很多，核心/使用者緩衝區拷貝很多，髒頁回寫很多，io-wait很高，io很繁忙，堆疊資料不斷交換至swap，執行緒切換很多，每個環節的鎖也很多.
總之，記憶體吃緊，問磁碟要空間，髒資料持久化過多導致cache頻繁失效，引發大量回寫，回寫執行緒高，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<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.
以核心記憶體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，如果這個時候突然記憶體條壞了1、2根，或者只有極少的記憶體空間怎麼搞？
外部排序
該外部排序上場了.
外部排序幹嘛的？
記憶體極少的情況下，利用分治策略，利用外存儲存中間結果，再用多路歸併來排序;
map-reduce的嫡系.
1.分
記憶體中維護一個極小的核心緩衝區memBuffer，將大檔案bigdata按行讀入，蒐集到memBuffer滿或者大檔案讀完時，對memBuffer中的資料呼叫內排進行排序，排序後將有序結果寫入磁碟檔案bigdata.xxx.part.sorted.
迴圈利用memBuffer直到大檔案處理完畢，得到n個有序的磁碟檔案：
2.合
現在有了n個有序的小檔案，怎麼合併成1個有序的大檔案？
把所有小檔案讀入記憶體，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：
檔案1：3,6,9
檔案2：2,4,8
檔案3：1,5,7
第一回合：
檔案1的最小值：3 , 排在檔案1的第1行
檔案2的最小值：2，排在檔案2的第1行
檔案3的最小值：1，排在檔案3的第1行
那麼，這3個檔案中的最小值是：min(1,2,3) = 1
也就是說，最終大檔案的當前最小值，是檔案1、2、3的當前最小值的最小值，繞麼？
上面拿出了最小值1，寫入大檔案.
第二回合：
檔案1的最小值：3 , 排在檔案1的第1行
檔案2的最小值：2，排在檔案2的第1行
檔案3的最小值：5，排在檔案3的第2行
那麼，這3個檔案中的最小值是：min(5,2,3) = 2
將2寫入大檔案.
也就是說，最小值屬於哪個檔案，那麼就從哪個檔案當中取下一行資料.（因為小檔案內部有序，下一行資料代表了它當前的最小值）
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
...
公眾號內回覆“1”帶你進粉絲群！
相關文章
- 小米5怎麼給檔案加密 小米手機怎麼設定加密檔案教程加密
- 怎麼遠端傳輸大檔案？
- 怎麼將大的pdf檔案的容量縮小？
- Mac系統怎麼快速查詢大檔案?Mac
- python中整數怎麼定義Python
- win10電腦怎麼互傳大檔案 無網路互傳大檔案的方法Win10
- 大整數操作
- 上網本調整分割槽後碟符丟失的檔案怎麼找到
- xml是什麼格式的檔案 xml檔案怎麼開啟XML
- 電腦TXT檔案怎麼顯示行數? 電腦TXT檔案行數檢視方法
- html檔案怎麼開啟（手機html檔案怎麼開啟）HTML
- win10查詢大檔案在哪裡設定_win10怎麼搜尋大檔案Win10
- mysql匯入sql檔案過大失敗怎麼辦MySql
- 快速傳輸大檔案，怎麼透過網路傳大檔案給對方（1G以上）
- 怎麼將ts檔案合成一個檔案
- 電腦誤刪除檔案怎麼恢復檔案，不小心刪除了電腦的檔案怎麼辦
- Spring 原始碼第一篇開整！配置檔案是怎麼載入的？Spring原始碼
- 怎麼找回失蹤的NTLDR檔案
- docx是什麼格式的檔案 圖片怎麼變成docx檔案
- java 統計大文字檔案的行數Java
- 大檔案怎麼快速傳？ToDesk全面支援安卓、ios、windows、mac安卓iOSWindowsMac
- .pdm檔案怎麼開啟
- vsd格式檔案怎麼開啟 vsd是什麼格式的檔案,
- lnk是什麼格式檔案 別人發的lnk檔案怎麼開啟
- DBF檔案怎麼開啟？DBF檔案的開啟方法教程
- ipynb檔案用什麼開啟 ipynb檔案怎麼開啟
- bin是什麼檔案格式 bin檔案要怎麼開啟
- 資料庫引數檔案控制檔案日誌檔案資料檔案跟蹤檔案等8大檔案的字典資料庫
- 當前分割槽不支援大於4g的檔案怎麼辦？
- 怎麼找回電腦誤刪的檔案
- 怎麼恢復回收站的檔案
- 怎麼生成可執行的.jar檔案???????????JAR
- 怎麼找回失蹤的NTLDR檔案薦
- eclipse svn怎麼讓其同步整個專案？Eclipse
- 檔案過大無法複製到u盤怎麼解決
- windows無法驗證此檔案的數字簽名什麼原因怎麼解決Windows
- mobi是什麼檔案格式 mobi檔案怎麼開啟檢視
- 檔案替換後怎麼恢復，恢復被覆蓋的檔案