关于海量数据处理问题

问题: 假设一个文件中有9 亿条不重复的9 位整数，现在要求对这个文件进行排序。 
一般解题思路: 
1 、将数据导入到内存中 
2 、将数据进行排序　（比如插入排序、快速排序） 
3 、将排序好的数据存入文件 


难题: 
一个整数为4 个字节 

即使使用数组也需要900,000,000 * 4byte = 3.6G 内存

（详细过程如下：

1G=1024M=2^10=10^3

1M = 1024K=2^10=10^3

1K = 1024Byte = 2^10=10^3

1B = 8bit

） 

对于32 位系统，访问2G 以上的内存非常困难，而且一般设备也没有这么多的物理内存 将数据完全导入到内存中的做法不现实 


其他解决办法: 
1 、导入数据库运算 
2 、分段排序运算 
3 、使用bit 位运算 


解决方案一: 数据库排序 
将文本文件导入到数据库，让数据库进行索引排序操作后提取数据到文件 

优点：操作简单 
缺点：运算速度慢，而且需要数据库设备。 


解决方案二: 分段排序 
操作方式： 
规定一个内存大小，比如200M ，200M 可以记录(200*1024*1024/4) = 52428800 条记录，我们可以每次提取5000 万条记录到文件进行排序，要装满9 位整数需要20 次，所以一共要进行20 次排序，需要对文件进行20 次读操作 

缺点： 
编码复杂，速度也慢( 至少20 次搜索) 


关键步骤： 
先将整个9 位整数进行分段，亿条数据进行分成20 段，每段5000 万条 
在文件中依次搜索0~5000 万，50000001~1 亿…… 
将排序的结果存入文件 


解决方案三:bit 位操作 
思考下面的问题: 
一个最大的9 位整数为999999999 这9 亿条数据是不重复的 ,可不可以把这些数据组成一个队列或数组，让它有0~999999999(10 亿个) 元素，数组下标表示数值，节点中用0 表示这个数没有，1 表示有这个数 ，判断0 或1 只用一个bit 存储就够了 

声明一个可以包含9 位整数的bit 数组(10 亿) ，一共需要10 亿/8=120M 内存 
把内存中的数据全部初始化为0, 读取文件中的数据，并将数据放入内存。比如读到一个数据为341245909 这个数据，那就先在内存中找到341245909 这个bit ,并将bit 值置为1 ，遍历整个bit 数组，将bit 为1 的数组下标存入文件 


关键代码 
检查某一个char 里面(first) 的第second 位中存储的数据是否为1 

bool CompareBit (unsigned char first, int second) 
{ 
const static int mark_buf[] = {0x1, 0x2, 0x4, 0x8, 0x10, 0x20, 0x40, 0x80}; 
if (second > .8) 
return false; 

return (first & mark_buf[second]) == mark_buf[second]; 
} 

将某一个char(Desc) 中的第source 位置为 1 

bool WriteToBit (unsigned char *Desc, int source) 
{ 
const static int mark_buf[] = {0x1, 0x2, 0x4, 0x8, 0x10, 0x20, 0x40, 0x80}; 

if (source >  .8) 
return false; 

Desc[0] |= mark_buf[source]; 

return true; 
}