5亿整数的大文件,怎么排?

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:

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:

 

归并排序:

 

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

 

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:

这里写图片描述

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.

2 18 收藏 15 评论

相关文章

可能感兴趣的话题



直接登录
最新评论
  • 一片黑暗 JAVA 2015/06/21

    外部排序的第2部分【合】的时候,没必要每次去取一个最小值。因为文件1,文件2,文件3每个文件中拿出的最小值,肯定是这三个文件中的最小的3个值了,将这三个值进行排序(1,2,3),直接写入大文件。第二回合中就直接取出的是(4,5,6)

  • 吴文敏 IT 2015/06/22

    可以共享下源码吗?看到你给出的代码好像用了工厂模式,想拜读下!

    • foreach_break 互联网 2015/06/24

      你好,我是作者.谢谢关注此文。

      源码因为某些原因不能直接共享。

      使用工厂模式,
      1.是为了屏蔽I/O细节,突出算法逻辑.
      2.是为了多I/O方式支持.
      3.是便于测试.

      祝愉快!

  • 伟伯   2015/06/24

    借鉴mapreduce的方法是极好的,MR的核心是shuffle,其中处理大数据排序用的正是归并的思想

    • foreach_break 互联网 2015/06/24

      MR和external-sort都是分治思想,不过没注意它俩谁先借鉴的谁了,呵呵.

      归并排序是高效和分治思想经典体现的典范.

      在jdk1.6之前,默认的集合排序都是文中实现的归并(cutoff、局部有序、辅助数组在递归进入前分配空间、辅助数组和原序列分段共享空间以减少拷贝开销),后来改为timsort.

      祝愉快!

  • solocode 程序员 2015/06/26

    使用BitSet的方法,我跑了一下,发现如果 排序的数字在 Integer.MAX_VALUE 附近的时候getSize()方法返回 -2147483648 造成排序算法无法执行。
    length() 方法 只有在 排序数字为 Integer.MAX_VALUE的时候才返回-2147483648。我觉得需要注意这一点。

跳到底部
返回顶部