海量数据处理程序设计技巧（附C++代码）

已移到：http://www.iteblog.com/archives/158

求解问题如下：

在本地磁盘里面有file1和file2两个文件，每一个文件包含500万条随机整数（可以重复），最大不超过2147483648也就是一个int表示范围。要求写程序将两个文件中都含有的整数输出到一个新文件中。

要求：
1.程序的运行时间不超过5秒钟。
2.没有内存泄漏。
3.代码规范，能要考虑到出错情况。

4.代码具有高度可重用性及可扩展性，以后将要在该作业基础上更改需求。

初一看，觉得很简单，不就是求两个文件的并集嘛，于是很快写出了下面的代码。

#include<iostream>
#include<vector>
#include<cstdlib>
#include<algorithm>
#include<fstream>

using namespace std;

void merge(const vector<int> &, const vector<int>&, vector<int> &);

int main(){
	vector<int> v1, v2;
	vector<int> result;
	char buf[512];
	FILE *fp;
	fp = fopen("file1", "r");
	
	if(fp < 0){
		cout<<"Open file failed!\n";
		exit(1);
	}

	while(fgets(buf, 512, fp) != NULL){
		v1.push_back(atoi(buf));
	}
	sort(v1.begin(), v1.end());
	fclose(fp);


	fp = fopen("file2", "r");
	if(fp < 0){
		cout<<"Open file2 failed!\n";
		exit(1);
	}

	while(fgets(buf, 512, fp) != NULL){
		v2.push_back(atoi(buf));
	}
	sort(v2.begin(), v2.end());
	cout<<v1[v1.size() - 1]<<endl;
	cout<<v2[v2.size() - 1]<<endl;
	fclose(fp);
	merge(v1, v2, result);
	cout<<result.size();
	
	ofstream output;
	output.open("result");
	if(output.fail()){
		cerr<<"crete file failed!\n";
		exit(1);
	}
	
	vector<int>::const_iterator p = result.begin();
	for(; p != result.end(); p++){
		output<<*p<<endl;
	}
	output.close();
	return 0;
}

void merge(const vector<int>& v1, const vector<int>& v2, vector<int> &result){
	vector<int>::const_iterator p1, p2;
	p1 = v1.begin();
	p2 = v2.begin();
	
	while((p1 != v1.end()) && p2 != v2.end()){
		if(*p1 < *p2){
			p1++;
		}else if(*p1 > *p2){
			p2++;
		}else{
			result.push_back(*p1);
			p1++;
			p2++;
		}
	}

}

编译运行。

一看，不行，不满足上面的5秒之内，于是又想了很久，上面不是显示sys调用花了很长时间嘛，于是有写了一个程序，用快速排序+二分查找法实现，代码如下：

#include <iostream>
#include <fstream>
#include <vector>
#include <cstdlib>
#include <cstdio>

#define MAXLINE 32

using namespace std;

void qsort(vector<int>&, int, int);
int partition(vector<int>&, int, int);
bool binarySearch(const vector<int>&, int);

int main(){
	vector<int> v1, result;
	int temp;
	char buf[MAXLINE];
	FILE *fd;

	fd = fopen("file1", "r");
	if(fd == NULL){
		cerr<<"Open file1 failed!\n";
		exit(1);
	}
	while(fgets(buf, MAXLINE, fd) != NULL){
		v1.push_back(atoi(buf));
	}
	
	fclose(fd);
	//cout<<v1.size()<<endl;
	qsort(v1, 0, v1.size() - 1);
	
	/*vector<int>::const_iterator p = v1.begin();
	for(; p != v1.end(); p++){
		cout<<*p<<endl;
		sleep(1);
	}*/

	fd = fopen("file2", "r");
	if(fd == NULL){
		cerr<<"open file2 failed!\n";
		exit(1);
	}

	while(fgets(buf, MAXLINE, fd) != NULL){
		temp = atoi(buf);
		if(binarySearch(v1, temp)){
			result.push_back(temp);
		}
	}
	cout<<result.size();

	return 0;
}

void qsort(vector<int> &v, int low, int hight){
	if(low < hight){
		int mid = partition(v, low, hight);
		qsort(v, low, mid - 1);
		qsort(v, mid + 1, hight);
	}
}

int  partition(vector<int> &v, int min, int max){
	int temp = v[min];
	while(min < max){
		while(min < max && v[max] >= temp)
			max--;
		v[min] = v[max];
		while(min < max && v[min] <= temp)
			min++;
		v[max] = v[min];
	}

	v[min] = temp;
	return min;
}

bool binarySearch(const vector<int> &v, int key){
	int low, hight, mid;
	low = 0; 
	hight = v.size() - 1;
	
	while(low <= hight){
		mid = (low + hight) /2;
		if(v[mid] == key){
			return true;
		}else if(v[mid] < key){
			low = mid + 1;
		}else{
			hight = mid - 1;
		}
	}

	return false;
}

正乐着呢，编译运行：

结果发现，user时间是2.194秒，整个时间还要比以前长，显然这种方法还是不行，原因就是两个文件太大了，500万条，不是一般小，且上面花的时间主要用在排序上面去了，于是就想，能不能不用排序完成？这时有个朋友和我说了一下位图法，灵感一来，自己又去改写了代码：

#include <iostream>
#include <cstdlib>
#include <cstdio>
#include <cstring>
#include <fstream>
#include <string>
#include <vector>
#include <algorithm>
#include <iterator>

#define SHIFT 5
#define MAXLINE 32
#define MASK 0x1F

using namespace std;

void setbit(int *bitmap, int i){
	bitmap[i >> SHIFT] |= (1 << (i & MASK));
}

bool getbit(int *bitmap1, int i){
	return bitmap1[i >> SHIFT] & (1 << (i & MASK));
}

size_t getFileSize(ifstream &in, size_t &size){
	in.seekg(0, ios::end);
	size = in.tellg();
	in.seekg(0, ios::beg);
	return size;
}

char * fillBuf(const char *filename){
	size_t size = 0;
	ifstream in(filename);
	if(in.fail()){
		cerr<< "open " << filename << " failed!" << endl;
		exit(1);
	}
	getFileSize(in, size);	
	
	char *buf = (char *)malloc(sizeof(char) * size + 1);
	if(buf == NULL){
		cerr << "malloc buf error!" << endl;
		exit(1);
	}
	
	in.read(buf, size);
	in.close();
	buf[size] = '\0';
	return buf;
}
void setBitMask(const char *filename, int *bit){
	char *buf, *temp;
	temp = buf = fillBuf(filename);
	char *p = new char[11];
	int len = 0;
	while(*temp){
		if(*temp == '\n'){
			p[len] = '\0';
			len = 0;
			//cout<<p<<endl;
			setbit(bit, atoi(p));
		}else{
			p[len++] = *temp;
		}
		temp++;
	}
	delete buf;
}

void compareBit(const char *filename, int *bit, vector<int> &result){
	char *buf, *temp;
	temp = buf = fillBuf(filename);
	char *p = new char[11];
	int len = 0;
	while(*temp){
		if(*temp == '\n'){
			p[len] = '\0';
			len = 0;
			if(getbit(bit, atoi(p))){
				result.push_back(atoi(p));
			}
		}else{
			p[len++] = *temp;
		}
		temp++;
	}
	delete buf;
}

int main(){
	vector<int> result;
	unsigned int MAX = (unsigned int)(1 << 31);
	unsigned int size = MAX >> 5;
	int *bit1;

	bit1 = (int *)malloc(sizeof(int) * (size + 1));
	if(bit1 == NULL){
		cerr<<"Malloc bit1 error!"<<endl;
		exit(1);
	}

	memset(bit1, 0, size + 1);
	setBitMask("file1", bit1);
	compareBit("file2", bit1, result);
	delete bit1;
	
	cout<<result.size();
	sort(result.begin(), result.end());
	vector< int >::iterator	it = unique(result.begin(), result.end());

	ofstream	of("result");
	ostream_iterator<int>	output(of, "\n");
	copy(result.begin(), it, output);
	
	return 0;
}

这是利用位图法实现的程序，编译运行

运行时间明显比前两个少，但是这个程序是以空间换取时间，程序运行的时候分配了几百兆的空间。可见在程序设计中，方法很重要。什么情况选用什么方法。但是还是觉得前面两个方法还行，因为需要的空间比较少。

（转载请注明：http://www.iteblog.com/archives/158，请不要用于商业目的。）