怎样给一个磁盘文件排序？

假设给你一个问题：怎样给一个磁盘排序？我们首要做的就是分析该问题，弄清问题的正确的具体描述（尤其在面试的时候很重要）。

问题的准确描述：1、输入：一个最多包含n个正整数的文件，每个数都小于n，其中n=10000000。如果在输入文件中有任何整数重复出现就是致命错误。没有其他数据与该整数关联；2、输出：按升序排列的输入整数的列表；3、约束：最多有大约1MB的内存空间可用，有充足的磁盘存储空间可用。运行时间最多几分钟，运行时间为10秒钟就不需要进一步优化了

一、一般的磁盘文件排序

1、内排序
由于要求的可用内存为1MB，那么每次可以在内存中对250K的数据进行排序，然后将有序的数写入硬盘。那么10M的数据需要循环40次，最终产生40个有序的文件。

2、多路归并排序
（1）将每个文件最开始的数读入（由于有序，所以为该文件最小数），存放在一个大小为40的first_data数组中； 
（2）选择first_data数组中最小的数min_data，及其对应的文件索引index； 
（3）将first_data数组中最小的数写入文件result，然后更新数组first_data（根据index读取该文件下一个数代替min_data）； 
（4）判断是否所有数据都读取完毕，否则返回（2）。

显然上述方法的时间可能需要几分钟，甚至几十分钟，下面提供一种高效的方法，节选自《编程珠玑》！！

二、利用位图数据结构给磁盘文件排序

程序设计：一般的分段读取磁盘文件，内存利用快速排序，外存利用归并排序（需要多趟读入磁盘文件）。能否找到一种方法只需一次读入，经过神奇的排序，一次输出。

实现概要：可以利用位图表示或位向量表示集合，比如可用一个20位长的字符来表示一个所有元素都小于20的简单非负整数集合。{1,2,3,5,8,13}：0 1 1 1 0 1 0 0 1 0 0 0 0 1 0 0 0 0 0 0.

采取折中方案的属性限制：输入数据限制在相对较小的范围内；数据没有重复；对于每条记录而言，除了单一整数外，没有任何其他关联数据。

伪代码表示：

/*phase 1: initialize set to empty*/

for i=[0,n)

   bit[i]=0

/*phase 2: insert present elsements intothe set*/

for each i in the input file

   bit[i]=1

/*phase 3: write sorted output*/

for i=[0,n)

   if bit[i]==1

                   writei on the output file

由于内存只要1MB的内存空间，共有1024*1024*8位，对于10000000个元素，需要大约1.2MB的内存，这是可以将其分成两块：可分为2块（k=2，1趟反正占用的内存只有1.25/2=0.625M），1~4999999，和5000000~9999999先遍历一趟，处理1~4999999的数据块（用5000000/8=625000个字的存储空间来排序0~4999999之间的整数），然后再第二趟，对5000001~1000000这一数据块处理。

 
正确问题（明确题目的具体描述）、位图数据结构、多趟算法（可以利用多路排序）、时间空间折中与双赢（空间上高效的位图结构显著的减少了排序的运行时间）、简单设计（设计者确定其设计已经达到了完美的标准不是不能再增加任何东西，而是不能再减少任何东西）。