基于堆实现的优先级队列:PriorityQueue 解决 Top K 问题

本文转载于oschina:http://my.oschina.net/leejun2005/blog/135085

1、认识 PriorityQueue

PriorityQueue是从JDK1.5开始提供的新的数据结构接口,它是一种基于优先级堆的极大优先级队列。优先级队列是不同于先进先出队列的另一种队列。每次从队列中取出的是具有最高优先权的元素。如果不提供Comparator的话,优先队列中元素默认按自然顺序排列,也就是数字默认是小的在队列头,字符串则按字典序排列(参阅 Comparable),也可以根据 Comparator 来指定,这取决于使用哪种构造方法。优先级队列不允许 null 元素。依靠自然排序的优先级队列还不允许插入不可比较的对象(这样做可能导致 ClassCastException)。

比如队列 1 3 5 10 2 自动会被排列 1 2 3 5 10

01package com.test;
02 
03import java.util.Comparator;
04import java.util.PriorityQueue;
05import java.util.Queue;
06 
07public class PriorityQueueExample {
08 
09    public static void main(String[] args) {
10        Queue<Integer> qi = new PriorityQueue<Integer>();
11 
12        qi.add(5);
13        qi.add(2);
14        qi.add(1);
15        qi.add(10);
16        qi.add(3);
17 
18        while (!qi.isEmpty()) {
19            System.out.print(qi.poll() + ",");
20        }
21        System.out.println();
22        System.out.println("-----------------------------");
23              // <span></span><span>自定义的比较器,可以让我们自由定义比较的顺序</span> Comparator<Integer> cmp;
24        cmp = new Comparator<Integer>() {
25            public int compare(Integer e1, Integer e2) {
26                return e2 - e1;
27            }
28        };
29        Queue<Integer> q2 = new PriorityQueue<Integer>(5, cmp);
30        q2.add(2);
31        q2.add(8);
32        q2.add(9);
33        q2.add(1);
34        while (!q2.isEmpty()) {
35            System.out.print(q2.poll() + ",");
36        }
37 
38    }
39 
40}
output

1,2,3,5,10,
-----------------------------
9,8,2,1,


队列的头是按指定排序方式的最小元素。如果多个元素都是最小值,则头是其中一个元素——选择方法是任意的。

队列检索操作 poll、remove、peek 和 element 访问处于队列头的元素。
优先级队列是无界的,但是有一个内部容量,控制着用于存储队列元素的数组的大小。
它总是至少与队列的大小相同。随着不断向优先级队列添加元素,其容量会自动增加。无需指定容量增加策略的细节。
注意1:该队列是用数组实现,但是数组大小可以动态增加,容量无限。
注意2:此实现不是同步的。不是线程安全的。如果多个线程中的任意线程从结构上修改了列表, 则这些线程不应同时访问 PriorityQueue 实例,这时请使用线程安全的PriorityBlockingQueue 类。
注意3:不允许使用 null 元素。
注意4:此实现为插入方法(offer、poll、remove() 和 add 方法)提供 O(log(n)) 时间;
为 remove(Object) 和 contains(Object) 方法提供线性时间;
为检索方法(peek、element 和 size)提供固定时间。
注意5:方法iterator()中提供的迭代器并不保证以有序的方式遍历优先级队列中的元素。
至于原因可参考下面关于PriorityQueue的内部实现
如果需要按顺序遍历,请考虑使用 Arrays.sort(pq.toArray())。
注意6:可以在构造函数中指定如何排序。如:
PriorityQueue()
使用默认的初始容量(11)创建一个 PriorityQueue,并根据其自然顺序来排序其元素(使用 Comparable)。
PriorityQueue(int initialCapacity)
使用指定的初始容量创建一个 PriorityQueue,并根据其自然顺序来排序其元素(使用 Comparable)。
PriorityQueue(int initialCapacity, Comparator comparator)
使用指定的初始容量创建一个 PriorityQueue,并根据指定的比较器comparator来排序其元素。
注意7:此类及其迭代器实现了 Collection 和 Iterator 接口的所有可选 方法。
PriorityQueue的内部实现
PriorityQueue对元素采用的是堆排序,头是按指定排序方式的最小元素。堆排序只能保证根是最大(最小),整个堆并不是有序的。
方法iterator()中提供的迭代器可能只是对整个数组的依次遍历。也就只能保证数组的第一个元素是最小的。
实例1的结果也正好与此相符。

2、应用:求 Top K 大/小 的元素

了解了优先队列之后,我们再来看它的一个应用:

在面试的时候,问到算法,Top k 的问题是经常被问到的,网上已有很多种方法可以解决,今天来看看如何使用 PriorityQueue 构造固定容量的优先队列,模拟大顶堆,来解决 top K 小的问题。

01package com.test;
02 
03import java.util.ArrayList;
04import java.util.Collections;
05import java.util.Comparator;
06import java.util.Iterator;
07import java.util.List;
08import java.util.PriorityQueue;
09import java.util.Random;
10 
11//固定容量的优先队列,模拟大顶堆,用于解决求topN小的问题
12public class FixSizedPriorityQueue<E extends Comparable> {
13    private PriorityQueue<E> queue;
14    private int maxSize; // 堆的最大容量
15 
16    public FixSizedPriorityQueue(int maxSize) {
17        if (maxSize <= 0)
18            throw new IllegalArgumentException();
19        this.maxSize = maxSize;
20        this.queue = new PriorityQueue(maxSize, new Comparator<E>() {
21            public int compare(E o1, E o2) {
22                // 生成最大堆使用o2-o1,生成最小堆使用o1-o2, 并修改 e.compareTo(peek) 比较规则
23                return (o2.compareTo(o1));
24            }
25        });
26    }
27 
28    public void add(E e) {
29        if (queue.size() < maxSize) { // 未达到最大容量,直接添加
30            queue.add(e);
31        } else { // 队列已满
32            E peek = queue.peek();
33            if (e.compareTo(peek) < 0) { // 将新元素与当前堆顶元素比较,保留较小的元素
34                queue.poll();
35                queue.add(e);
36            }
37        }
38    }
39 
40    public List<E> sortedList() {
41        List<E> list = new ArrayList<E>(queue);
42        Collections.sort(list); // PriorityQueue本身的遍历是无序的,最终需要对队列中的元素进行排序
43        return list;
44    }
45 
46    public static void main(String[] args) {
47        final FixSizedPriorityQueue pq = new FixSizedPriorityQueue(10);
48        Random random = new Random();
49        int rNum = 0;
50        System.out.println("100 个 0~999 之间的随机数:-----------------------------------");
51        for (int i = 1; i <= 100; i++) {
52            rNum = random.nextInt(1000);
53            System.out.println(rNum);
54            pq.add(rNum);
55        }
56        System.out.println("PriorityQueue 本身的遍历是无序的:-----------------------------------");
57        Iterable<Integer> iter = new Iterable<Integer>() {
58            public Iterator<Integer> iterator() {
59                return pq.queue.iterator();
60            }
61        };
62        for (Integer item : iter) {
63            System.out.print(item + ", ");
64        }
65        System.out.println();
66        System.out.println("PriorityQueue 排序后的遍历:-----------------------------------");
67        /*
68         * for (Integer item : pq.sortedList()) { System.out.println(item); }
69         */
70        // 或者直接用内置的 poll() 方法,每次取队首元素(堆顶的最大值)
71        while (!pq.queue.isEmpty()) {
72            System.out.print(pq.queue.poll() + ", ");
73        }
74    }
75}

3、PriorityQueue  在 hadoop 中的应用:

最后来聊下 “基于堆实现的优先级队列(PriorityQueue)” 在hadoop 中的应用:

在 hadoop 中,排序是 MapReduce 的灵魂,MapTask 和 ReduceTask 均会对数据按 Key 排序,这个操作是 MR 框架的默认行为,不管你的业务逻辑上是否需要这一操作。

MapReduce 框架中,用到的排序主要有两种:快速排序 和 基于堆实现的优先级队列。

Mapper 阶段:

从 map 输出到环形缓冲区的数据会被排序(这是 MR 框架中改良的快速排序),这个排序涉及 partition 和 key,当缓冲区容量占用 80%,会 spill 数据到磁盘,生成 IFile 文件,Map 结束后,会将 IFile 文件排序合并成一个大文件(基于堆实现的优先级队列),以供不同的 reduce 来拉取相应的数据。

Reducer 阶段:

从 Mapper 端取回的数据已是部分有序,Reduce Task 只需进行一次归并排序即可保证数据整体有序。为了提高效率,Hadoop 将 sort 阶段和 reduce 阶段并行化,在 sort 阶段,Reduce Task 为内存和磁盘中的文件建立了小顶堆,保存了指向该小顶堆根节点的迭代器,并不断的移动迭代器,以将 key 相同的数据顺次交给 reduce() 函数处理,期间移动迭代器的过程实际上就是不断调整小顶堆的过程(建堆→取堆顶元素→重新建堆→取堆顶元素...),这样,sort 和 reduce 可以并行进行。

了解了这个,你就明白为什么之前有同学提到遍历一遍 values 之后,值都不存在了,同时你也能更加理解之前提到的 二次排序。

在 hadoop 中,用到了这一数据结构的类主要有如下:(hadoop-0.20.203.0)

core/org/apache/hadoop/io/SequenceFile.java
hdfs/org/apache/hadoop/hdfs/server/namenode/UnderReplicatedBlocks.java
mapred/org/apache/hadoop/mapred/join/CompositeRecordReader.java
mapred/org/apache/hadoop/mapred/join/JoinRecordReader.java
mapred/org/apache/hadoop/mapred/join/MultiFilterRecordReader.java
mapred/org/apache/hadoop/mapred/join/OverrideRecordReader.java
mapred/org/apache/hadoop/mapred/Merger.java
tools/org/apache/hadoop/tools/rumen/DeskewedJobTraceReader.java

可以看到,这一数据结构,在 hadoop 中用的还是比较广泛的。

需要说明的是,求 Top k,更简单的方法可以直接用内置的 TreeMap 或者 TreeSet,这两者是基于红黑树的一种数据结构,内部维持 key 的次序,但每次添加新元素,其排序的开销要大于堆调整的开销。例如要找最大的10个元素,那么创建的是小根堆。小根堆的特性是根节点是最小元素。不需要对堆进行再排序,当堆的根节点被替换成新的元素时,需要进行堆化,以保持小根堆的特性。

4、REF:

http://lc87624.sinaapp.com/java_top_n/

http://java-er.com/blog/java-priority-queue/

http://stackoverflow.com/questions/7878026/is-there-a-priorityqueue-implementation-with-fixed-capacity-and-custom-comparato

http://stackoverflow.com/questions/9581357/java-top-n-elements-from-stream-source

http://www.iteye.com/topic/1061958  基于最小堆(小根堆)的topn算法

http://dongxicheng.org/structure/heap/ 数据结构之堆

hadoop技术内幕:task 运行过程分析:P199, P219

http://www.michaelpollmeier.com/selecting-top-k-items-from-a-list-efficiently-in-java-groovy/

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值