2-1、二次排序代码

最新推荐文章于 2020-04-03 14:40:37 发布
最新推荐文章于 2020-04-03 14:40:37 发布
阅读量755 收藏 1
点赞数
分类专栏： Bigdatda-MapReduce 文章标签： 2-1二次排序代码
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/baolibin528/article/details/48106911
版权


1、输入数据： 
[hadoop@hadoop ~]$ hdfs dfs -text /user/hadoop/secondarysort.txt
3       5
5       89
7       63
5       56
3       9
3       1
7       26
7       45
7       4
5       18
5       23
7       63
3       24
[hadoop@hadoop ~]$




2、代码： 
package secondarySort;


import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.io.WritableComparable;
import org.apache.hadoop.io.WritableComparator;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Partitioner;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;


public class SecondarySort_Demo {
	//自己定义的key类应该实现WritableComparable接口  
	public static class IntPair implements WritableComparable<IntPair>{
		
		int first;
		int second;
		public void set(int left,int right){
			first=left;
			second=right;
		}
		public int getFirst(){
			return first;
		}
		public int getSecond(){
			return second;
		}
		//序列化，将IntPair转化成使用流传送的二进制  
		public void write(DataOutput out) throws IOException {
			out.writeInt(first);
			out.writeInt(second);
		}
		//反序列化，从流中的二进制转换成IntPair
		public void readFields(DataInput in) throws IOException {
			first=in.readInt();
			second=in.readInt();
		}
		//key的比较  
		public int compareTo(IntPair o) {
			if(first!=o.first){
				return first<o.first ? -1:1;
			}else if(second!=o.second){
				return second<o.second ? -1:1;
			}else{
				return 0;
			}
		
		}
		//新定义类应该重写的两个方法  
		public int hashCode(){
			return first*157+second;
		}
		
		public boolean equals(Object right){
			if(right==null)
				return false;
			if(this==right)
				return true;
			if(right instanceof IntPair){
				IntPair r=(IntPair) right;
				return r.first==first&&r.second==second;
			}else {
				return false;
			}
		}
	}
	 /** 
     * 分区函数类。根据first确定Partition。 
     */
	public static class FirstPartitioner extends Partitioner<IntPair, IntWritable>{
		@Override
		public int getPartition(IntPair key, IntWritable value,
				int numPartitions) {
			return Math.abs(key.getFirst()*127) % numPartitions;
		}
	}
	/** 
     * 分组函数类。只要first相同就属于同一个组。 
     */  
	/*//第一种方法，实现接口RawComparator
	public static class GroupingCpmparator implements RawComparator<IntPair>{


		public int compare(IntPair o1, IntPair o2) {
			int l=o1.getFirst();
			int r=o2.getFirst();
			return l == r ? 0:(l<r ? -1:1);
		}
		 //一个字节一个字节的比，直到找到一个不相同的字节，然后比这个字节的大小作为两个字节流的大小比较结果。
		public int compare(byte[] b1, int s1, int l1, byte[] b2, int s2, int l2) {
			return WritableComparator.compareBytes(b1, s1, Integer.SIZE/8, b2, s2, Integer.SIZE/8);
		}
	}*/
	//第二种方法，继承WritableComparator
	public static class GroupingComparator extends WritableComparator{
		protected GroupingComparator(){
			super(IntPair.class,true);
		}
		
		@SuppressWarnings("rawtypes")
		//Compare two WritableComparables. 
		public int compare(WritableComparable w1,WritableComparable w2){
			IntPair ip1=(IntPair) w1;
			IntPair ip2=(IntPair) w2;
			int l=ip1.getFirst();
			int r=ip2.getFirst();
			return l==r?1:(l<r?-1:1);
		}
	}
	// 自定义map 
	public static class MyMap extends Mapper<LongWritable, Text, IntPair, IntWritable>{
		private final IntPair intkey=new IntPair();
		private final IntWritable intvalue=new IntWritable();
		@Override
		protected void map(LongWritable key, Text value,Context context)
				throws IOException, InterruptedException {
			String line=value.toString();
			String[] splited=line.split("\t");
			intkey.set(Integer.parseInt(splited[0]), Integer.parseInt(splited[1]));
			intvalue.set(Integer.parseInt(splited[1]));
			context.write(intkey, intvalue);
		}
	}
	// 自定义reduce  
	public static class MyReduce extends Reducer<IntPair, IntWritable, Text, IntWritable>{
		private final Text left =new Text();
	//	private static final Text SEPARATOR =new Text("========================");
		@Override
		protected void reduce(IntPair k2, Iterable<IntWritable> v2s,Context context)
				throws IOException, InterruptedException {
	//		context.write(SEPARATOR, null);
			left.set(Integer.toString(k2.getFirst()));
			for (IntWritable val : v2s) {
				context.write(left, val);
			}
		}
	}
	
	public static void main(String[] args) throws Exception{
		Configuration conf = new Configuration();  
        // 实例化一道作业  
        Job job=Job.getInstance(conf, SecondarySort_Demo.class.getSimpleName());
        job.setJarByClass(SecondarySort_Demo.class);  
        // Mapper类型  
        job.setMapperClass(MyMap.class);  
        // 不再需要Combiner类型，因为Combiner的输出类型<Text, IntWritable>对Reduce的输入类型<IntPair, IntWritable>不适用  
        //job.setCombinerClass(Reduce.class);  
        // Reducer类型  
        job.setReducerClass(MyReduce.class);  
        // 分区函数  
        job.setPartitionerClass(FirstPartitioner.class);  
        // 分组函数  
        job.setGroupingComparatorClass(GroupingComparator.class);  
          
        // map 输出Key的类型  
        job.setMapOutputKeyClass(IntPair.class);  
        // map输出Value的类型  
        job.setMapOutputValueClass(IntWritable.class);  
        // rduce输出Key的类型，是Text，因为使用的OutputFormatClass是TextOutputFormat  
        job.setOutputKeyClass(Text.class);  
        // rduce输出Value的类型  
        job.setOutputValueClass(IntWritable.class);  
          
        // 将输入的数据集分割成小数据块splites，同时提供一个RecordReder的实现。  
        job.setInputFormatClass(TextInputFormat.class);  
        // 提供一个RecordWriter的实现，负责数据输出。  
        job.setOutputFormatClass(TextOutputFormat.class);  
          
        // 输入hdfs路径  
        FileInputFormat.setInputPaths(job, args[0]);  
        // 输出hdfs路径  
        FileOutputFormat.setOutputPath(job, new Path(args[1]));  
        // 提交job  
//        System.exit(job.waitForCompletion(true) ? 0 : 1);  
        job.waitForCompletion(true); 
	}
	
}



3、打包执行命令：
  
hadoop jar secondarysort.jar /user/hadoop/secondarysort.txt /user/hadoop/output



4、结果输出文件目录： 
[hadoop@hadoop ~]$ hdfs dfs -ls /user/hadoop/output
Found 77 items
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/_SUCCESS
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00000
-rw-r--r--   3 hadoop supergroup         17 2015-08-30 17:22 /user/hadoop/output/part-r-00001
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00002
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00003
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00004
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00005
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00006
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00007
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00008
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00009
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00010
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00011
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00012
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00013
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00014
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00015
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00016
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00017
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00018
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00019
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00020
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00021
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00022
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00023
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00024
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00025
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00026
-rw-r--r--   3 hadoop supergroup         20 2015-08-30 17:22 /user/hadoop/output/part-r-00027
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00028
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00029
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00030
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00031
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00032
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00033
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00034
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00035
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00036
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00037
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00038
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00039
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00040
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00041
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00042
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00043
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00044
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00045
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00046
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00047
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00048
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00049
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00050
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00051
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00052
-rw-r--r--   3 hadoop supergroup         24 2015-08-30 17:22 /user/hadoop/output/part-r-00053
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00054
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00055
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00056
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00057
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00058
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00059
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00060
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00061
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00062
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00063
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00064
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00065
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00066
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00067
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00068
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00069
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00070
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00071
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00072
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00073
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00074
-rw-r--r--   3 hadoop supergroup          0 2015-08-30 17:22 /user/hadoop/output/part-r-00075



5、排序完数据：

[hadoop@hadoop ~]$ hdfs dfs -text /user/hadoop/output/part-r-00001
3       1
3       5
3       9
3       24
[hadoop@hadoop ~]$ hdfs dfs -text /user/hadoop/output/part-r-00027
5       18
5       23
5       56
5       89
[hadoop@hadoop ~]$ hdfs dfs -text /user/hadoop/output/part-r-00053
7       4
7       26
7       45
7       63
7       63
[hadoop@hadoop ~]$



礼彬fly
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Spark实现二次排序
需要远程指导仿真实验、代码有问题的，请后台私信或者关注公众号
07-02 1899
大数据实验教学系统练习 Spark实现二次排序二次排序就是对于类型的数据，不但按key排序，而且每个Key对应的value也是有序的。   Spark 二次排序解决方案:   我们只需要将年和月组合起来构成一个Key，将第三列作为value，并使用 groupByKey 函数将同一个Key的所有Value全部分组到一起，然后对同一个Key的所有Value进行排序即可。掌握Spark RDD实现二次排序的方法。   掌握groupBy、orderBy等算子的使用。使用Spark RDD实...
hadoop实现分区二次排序代码示例.zip
12-27
在大数据处理领域，Hadoop是一个不可或缺的开源框架，它提供了分布式存储和计算的能力。本示例中的"had
Hadoop mapreduce自定义分组RawComparator
senvil的专栏
10-05 473
本文发表于本人博客。     今天接着上次【Hadoop mapreduce自定义排序WritableComparable】文章写，按照顺序那么这次应该是讲解自定义分组如何实现，关于操作顺序在这里不多说了，需要了解的可以看看我在博客园的评论，现在开始。    首先我们查看下Job这个类，发现有setGroupingComparatorClass()这个方法，具体源码如下： 01.
利用mapreduce中某些基本类的内置比较方法实现倒序排序
weixin_42871236的博客
10-03 225
在mapreudce的类如IntWritable,LongWritable,Text等都有一个内置的比较函数，而我们可以对其进行修改实现简单的倒序排序。默认都是正序的从小到大。 //如果是LongWritable类型的直接写成LongWritable.Comparaor即可,以此类推 public static class MyNumberComparator extends IntWritabl...
MapReduce中的排序和分组
u014033218的专栏
08-11 1312
回顾Map阶段四大步骤　　首先，我们回顾一下在MapReduce中，排序和分组在哪里被执行：map stage 　　从上图中可以清楚地看出，在Step1.4也就是第四步中，需要对不同分区中的数据进行排序和分组，默认情况下，是按照key进行排序和分组。1.2 实验场景数据文件　　在一些特定的数据文件中，不一定都是类似于WordCount单次统计这种规范的数据，比如下面这类数据，它虽然只有两列，但
C语言排序方法-----二分插入排序
HXYDJ的博客
04-03 7508
由于在直接插入排序过程中，待插入数据左边的序列总是有序的，针对有序序列，就可以用二分法去插入数据了，也就是二分入排序法。适用于数据量比较大的情况。 二分插入排序的算法思想是： （1）计算 0 ~ i-1 的中间点，用 i 索引处的元素与中间值进行比较，如果 i 索引处的元素大，说明要插入的这个元素应该在中间值和刚加入i索引之间，反之，就是在刚开始的位置 到中间值的位置，这样...
php代码-2、选择排序
07-16
标题“php代码-2、选择排序”指的是一个关于PHP实现选择排序的示例代码。选择排序虽然不是最高效的排序算法，但在某些特定情况下，它的简单性和易于理解性使得它依然有其价值。 选择排序的基本步骤如下： 1. 首先在...
java代码-2.选择排序
07-15
在编程领域，选择排序是一种简单直观的排序算法，它的基本思想是每一次从待排序的数据元素中选出最小（或最大）的一个元素，存放在序列的起始位置，直到全部待排序的数据元素排完。这个概念在Java编程中同样适用。...
mapreduce二次排序
01-09
当我们需要对数据进行复杂的排序需求时，例如“年份升序，按照年份聚合，气温降序”，MapReduce的二次排序（Secondary Sort）机制就显得尤为重要。这个概念主要解决的是在MapReduce默认排序规则基础上，进行更精细化...
js代码-选择排序-示例代码
07-16
这是因为无论输入数据是否有序，选择排序都会进行n(n-1)/2次比较。 - **空间复杂度**：选择排序是原地排序算法，不需要额外的存储空间，因此空间复杂度为O(1)。 5. **适用场景**： 虽然选择排序的效率不如其他...
SequenceFileInputFormat用法
鲍礼彬的CSDN博客 ~_~
04-16 5557
SequenceFileInputFormat只能处理SequenceFile类型的文件。 代码： package inputformat; import java.io.IOException; import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.fs.Path; import org.apache.
CombineTextInputFormat用法
鲍礼彬的CSDN博客 ~_~
04-16 5398
输入数据： 代码： package inputformat; import java.io.IOException; import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.fs.Path; import org.apache.hadoop.io.Lo
1-1、Partitioner 简介
鲍礼彬的CSDN博客 ~_~
08-23 3499
1-1、Partitioner 简介   一、Partitioner简介   Partitioner的作用是对Mapper产生的中间结果进行分片，以便将同一个分组的数据交给同一个Reducer处理，它直接影响Reducer阶段的复杂均衡。     Partitioner只提供了一个方法：     getPartition(Text key,Text valu
MultipleInputs用法
鲍礼彬的CSDN博客 ~_~
04-16 3127
MultipleInputs处理多输入源，本例子包括 windows上的mysql数据库数据和hdfs上的文本数据。 mysql数据： hdfs数据： [root@baolibin ~]# hadoop fs -text /input/hehe Warning: $HADOOP_HOME is deprecated. hello you hello me hel
Hadoop的map获取当前spilt文件名
鲍礼彬的CSDN博客 ~_~
10-30 2417
map函数： protected void map(LongWritable key, Text value, Mapper.Context context) throws IOException, InterruptedException { FileSplit fileSplit = (FileSplit) context.getInputSplit(); //获得当前
NLineInputFormat用法
鲍礼彬的CSDN博客 ~_~
04-16 1822
输入的数据： [root@i-love-you hadoop]# bin/hdfs dfs -text /input/hehe hadoop hello hadoop me hadoop java 代码： package inputformat; import java.io.IOException; import org.apache.hadoop.conf.Configur
windows上运行mapreduce
鲍礼彬的CSDN博客 ~_~
02-19 1754
windows上运行mapreduce   环境搭建参考这篇文章：http://blog.csdn.net/baolibin528/article/details/43868477   代码： packagemapreduce; importjava.net.URI; importorg.apache.hadoop.conf.Configuration; importorg.apac
Hadoop的多目录输出
鲍礼彬的CSDN博客 ~_~
10-08 1642
原文地址：http://my.oschina.net/leejun2005/blog/94706 package mapreduce.baozi; import java.io.IOException; import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.conf.Configured; impo
4-1、自定义InputFormat 类代码
鲍礼彬的CSDN博客 ~_~
09-06 1588
在编写MapReduce的时候，自带的输入格式有时候满足不了我们的需求，这个时候就要自己来定制InputFprmat、InputSplit和RecordReader。 MapReduce自带的输入类型都是基于HDFS的，这个例子的功能是，不从HDFS上面读取输入内容，在内存中随机生成100个（0-1）float型的小数，然后求这100个小数的最大值。 1、类 FindMaxValueI
pta r6-1 简单选择排序
最新发布
06-02
2. 从剩余的元素中选择最小的元素作为次首元素，将其与序列中第二个元素进行交换； 3. 重复上述步骤，直到将整个序列排完为止。 下面是简单选择排序的C++代码实现： ``` void selectSort(int a[], int n) { for ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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