最近，面试头条，面试官一上来，就问了我这么一个问题，我一脸懵逼，决定记录一下。
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
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
-
...
转载：https://blog.csdn.net/m0_46995061/article/details/106571312
查看评论