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！