5 亿整数的大文件,怎么排

2017 年 12 月 14 日 ImportNew

(点击上方公众号,可快速关注)


来源:locality,

www.jianshu.com/p/a0b8b6f17888


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:


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;

        //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

        Comparable<T> pivot =  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

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);

}

 

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++];

        }

    }

}


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


sort -n bigdata -o bigdata.sorted


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,

        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.




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:



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:




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.


less bigdata.sorted.text

...

9999966

9999967

9999968

9999969

9999970

9999971

9999972

9999973

9999974

9999975

9999976

9999977

9999978

...


看完本文有收获?请转发分享给更多人

关注「ImportNew」,提升Java技能

登录查看更多
0

相关内容

【2020新书】如何认真写好的代码和软件,318页pdf
专知会员服务
63+阅读 · 2020年3月26日
一文看懂怎么用 Python 做数据分析
大数据技术
23+阅读 · 2019年5月5日
比Selenium快100倍的方法爬东方财富网财务报表
程序人生
8+阅读 · 2018年10月31日
为什么你应该学 Python ?
计算机与网络安全
4+阅读 · 2018年3月24日
代码分享系列(1)之感知机【代码可下载】
机器学习算法与Python学习
4+阅读 · 2018年2月10日
已删除
生物探索
3+阅读 · 2018年2月10日
爬了自己的微信,原来好友都是这样的!
七月在线实验室
4+阅读 · 2018年1月18日
教你用Python来玩跳一跳
七月在线实验室
6+阅读 · 2018年1月2日
利用 TensorFlow 实现排序和搜索算法
机器学习研究会
5+阅读 · 2017年11月23日
Arxiv
8+阅读 · 2018年4月8日
Arxiv
3+阅读 · 2018年1月31日
VIP会员
相关VIP内容
【2020新书】如何认真写好的代码和软件,318页pdf
专知会员服务
63+阅读 · 2020年3月26日
相关资讯
一文看懂怎么用 Python 做数据分析
大数据技术
23+阅读 · 2019年5月5日
比Selenium快100倍的方法爬东方财富网财务报表
程序人生
8+阅读 · 2018年10月31日
为什么你应该学 Python ?
计算机与网络安全
4+阅读 · 2018年3月24日
代码分享系列(1)之感知机【代码可下载】
机器学习算法与Python学习
4+阅读 · 2018年2月10日
已删除
生物探索
3+阅读 · 2018年2月10日
爬了自己的微信,原来好友都是这样的!
七月在线实验室
4+阅读 · 2018年1月18日
教你用Python来玩跳一跳
七月在线实验室
6+阅读 · 2018年1月2日
利用 TensorFlow 实现排序和搜索算法
机器学习研究会
5+阅读 · 2017年11月23日
Top
微信扫码咨询专知VIP会员