5 亿整数的大文件，来排个序

一、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？

二、内部排序

先尝试内排，选2种排序方式：

1. private final int cutoff = 8;

2.  

3. public void perform(Comparable[] a) {

4. perform(a,0,a.length - 1);

5. }

6.  

7. private int median3(Comparable[] a,int x,int y,int z) {

8. if(lessThan(a[x],a[y])) {

9. if(lessThan(a[y],a[z])) {

10. return y;

11. }

12. else if(lessThan(a[x],a[z])) {

13. return z;

14. }else {

15. return x;

16. }

17. }else {

18. if(lessThan(a[z],a[y])){

19. return y;

20. }else if(lessThan(a[z],a[x])) {

21. return z;

22. }else {

23. return x;

24. }

25. }

26. }

27.  

28. private void perform(Comparable[] a,int low,int high) {

29. int n = high - low + 1;

30. //当序列非常小，用插入排序

31. if(n <= cutoff) {

32. InsertionSort insertionSort = SortFactory.createInsertionSort();

33. insertionSort.perform(a,low,high);

34. //当序列中小时，使用median3

35. }else if(n <= 100) {

36. int m = median3(a,low,low + (n >>> 1),high);

37. exchange(a,m,low);

38. //当序列比较大时，使用ninther

39. }else {

40. int gap = n >>> 3;

41. int m = low + (n >>> 1);

42. int m1 = median3(a,low,low + gap,low + (gap << 1));

43. int m2 = median3(a,m - gap,m,m + gap);

44. int m3 = median3(a,high - (gap << 1),high - gap,high);

45. int ninther = median3(a,m1,m2,m3);

46. exchange(a,ninther,low);

47. }

48.  

49. if(high <= low)

50. return;

51. //lessThan

52. int lt = low;

53. //greaterThan

54. int gt = high;

55. //中心点

56. Comparablepivot = a[low];

57. int i = low + 1;

58.  

59. /*

60. * 不变式：

61. * a[low..lt-1] 小于pivot -> 前部(first)

62. * a[lt..i-1] 等于 pivot -> 中部(middle)

63. * a[gt+1..n-1] 大于 pivot -> 后部(final)

64. *

65. * a[i..gt] 待考察区域

66. */

67.  

68. while (i <= gt) {

69. if(lessThan(a[i],pivot)) {

70. //i-> ,lt ->

71. exchange(a,lt++,i++);

72. }else if(lessThan(pivot,a[i])) {

73. exchange(a,i,gt--);

74. }else{

75. i++;

76. }

77. }

78.  

79. // a[low..lt-1] < v = a[lt..gt] < a[gt+1..high].

80. perform(a,low,lt - 1);

81. perform(a,gt + 1,high);

82. }

三、归并排序：

1. /**

2. * 小于等于这个值的时候，交给插入排序

3. */

4. private final int cutoff = 8;

5.  

6. /**

7. * 对给定的元素序列进行排序

8. *

9. * @param a 给定元素序列

10. */

11. @Override

12. public void perform(Comparable[] a) {

13. Comparable[] b = a.clone();

14. perform(b, a, 0, a.length - 1);

15. }

16.  

17. private void perform(Comparable[] src,Comparable[] dest,int low,int high) {

18. if(low >= high)

19. return;

20.  

21. //小于等于cutoff的时候,交给插入排序

22. if(high - low <= cutoff) {

23. SortFactory.createInsertionSort().perform(dest,low,high);

24. return;

25. }

26.  

27. int mid = low + ((high - low) >>> 1);

28. perform(dest,src,low,mid);

29. perform(dest,src,mid + 1,high);

30.  

31. //考虑局部有序 src[mid] <= src[mid+1]

32. if(lessThanOrEqual(src[mid],src[mid+1])) {

33. System.arraycopy(src,low,dest,low,high - low + 1);

34. }

35.  

36. //src[low .. mid] + src[mid+1 .. high] -> dest[low .. high]

37. merge(src,dest,low,mid,high);

38. }

39.  

40. private void merge(Comparable[] src,Comparable[] dest,int low,int mid,int high) {

41.  

42. for(int i = low,v = low,w = mid + 1; i <= high; i++) {

43. if(w > high || v <= mid && lessThanOrEqual(src[v],src[w])) {

44. dest[i] = src[v++];

45. }else {

46. dest[i] = src[w++];

47. }

48. }

49. }

 

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。

四、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.

五、位图法

1. private BitSet bits;

2.  

3. public void perform(

4. String largeFileName,

5. int total,

6. String destLargeFileName,

7. Castor<Integer> castor,

8. int readerBufferSize,

9. int writerBufferSize,

10. boolean asc) throws IOException {

11.  

12. System.out.println("BitmapSort Started.");

13. long start = System.currentTimeMillis();

14. bits = new BitSet(total);

15. InputPart<Integer> largeIn = PartFactory.createCharBufferedInputPart(largeFileName, readerBufferSize);

16. OutputPart<Integer> largeOut = PartFactory.createCharBufferedOutputPart(destLargeFileName, writerBufferSize);

17. largeOut.delete();

18.  

19. Integer data;

20. int off = 0;

21. try {

22. while (true) {

23. data = largeIn.read();

24. if (data == null)

25. break;

26. int v = data;

27. set(v);

28. off++;

29. }

30. largeIn.close();

31. int size = bits.size();

32. System.out.println(String.format("lines : %d ,bits : %d", off, size));

33.  

34. if(asc) {

35. for (int i = 0; i < size; i++) {

36. if (get(i)) {

37. largeOut.write(i);

38. }

39. }

40. }else {

41. for (int i = size - 1; i >= 0; i--) {

42. if (get(i)) {

43. largeOut.write(i);

44. }

45. }

46. }

47.  

48. largeOut.close();

49. long stop = System.currentTimeMillis();

50. long elapsed = stop - start;

51. System.out.println(String.format("BitmapSort Completed.elapsed : %dms",elapsed));

52. }finally {

53. largeIn.close();

54. largeOut.close();

55. }

56. }

57.  

58. private void set(int i) {

59. bits.set(i);

60. }

61.  

62. private boolean get(int v) {

63. return bits.get(v);

64. }

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？

六、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.