目录
前期数据准备
10g文件内装的都是数字,用换行符隔开,约9亿多个数字,只有少数几个重复。
生成文件数据java程序如下,简单看一眼就行
import java.io.*;
public class SaveNumToFile {
public static void main(String[] arts) throws Exception {
FileOutputStream fileOutputStream = null;
BufferedOutputStream bufferedOutputStream = null;
try {
// 写入10g的数据
File file = new File("output.txt");
fileOutputStream = new FileOutputStream(file,false);
bufferedOutputStream = new BufferedOutputStream(fileOutputStream);
bufferedOutputStream.write((60000001 + "\r\n").getBytes("UTF-8"));
for (long i = 0; i < 1000000000; i++) {
if(i % 1000000 == 0){
System.out.println(i);
if(file.length() > 1073741824L * 10 ){
System.out.println("10g大小了");
break;
}
}
bufferedOutputStream.write((i + "\r\n").getBytes("UTF-8"));
}
//写入两个重复的数
bufferedOutputStream.write((50001 + "\r\n").getBytes("UTF-8"));
bufferedOutputStream.write((900000000 + "\r\n").getBytes("UTF-8"));
} catch (IOException e) {
e.printStackTrace();
} finally {
try {
if (bufferedOutputStream != null) {
bufferedOutputStream.close();
}
if (fileOutputStream != null) {
fileOutputStream.close();
}
} catch (IOException e) {
e.printStackTrace();
}
}
}
}
读取文件并去重
首先限制jvm堆内存大小只有200MB
-Xms200M -Xmx200M
这里使用jdk自带的BitSet进行去重,BitSet类似于redis的bitMap,特定情况下比HashSet<Integer>节约30倍内存空间,毕竟一个bit只占用1位,一个int占用32位啊
BitSet简单通俗理解就是一个的bit数组,你可以给这个数组的指定位置赋值0或1,
至于赋值之后有啥业务含义,就看你自己的定义了。
我是这样定义的,如果这个bit数组的第N位值为1,则说明N这个数字在文件中存在。
运行如下程序,会流式读取10g文件内容,然后进行用BitSet去重
package com.example.demo;
import java.io.BufferedReader;
import java.io.FileReader;
import java.util.BitSet;
public class FindSame {
public static void main(String[] arts) throws Exception {
long l = System.currentTimeMillis();
BitSet bitSet = new BitSet(1000000000);
BufferedReader reader = new BufferedReader(new FileReader( "output.txt"));
String line;
while ((line = reader.readLine()) != null) {
int num = Integer.parseInt(line);
if( bitSet.get(num)){
System.out.println("重复的数:"+num);
}else{
bitSet.set(num);
}
}
long l2 = System.currentTimeMillis();
System.out.println("耗时:"+(l2-l));
}
}
运行结果和内存消耗情况
正确的找到了重复的文字
耗时约40秒
控制台输出如下
Connected to the target VM, address: '127.0.0.1:52322', transport: 'socket'
重复的数:50001
重复的数:900000000
耗时:39326
Disconnected from the target VM, address: '127.0.0.1:52322', transport: 'socket'
Process finished with exit code 0
内存消耗控制在了200MB内,
其中老年代内存占用约130MB,由于未到回收阈值(133.5MB),所以基本没进行过老年代的垃圾回收
年轻代内存平均占用约30MB,频繁垃圾回收,每次垃圾回收可回收约99%的内存
目测bitset占用内存约120MB,流式读取文件占用内存不到20mb
具体如下图
(红框处为老年代占用内存,年轻代内存变化图和老年代内存变化图)