如何在单台8G内存机器上实现1TB日志排序？

 

问题:

最近在面试人的时候，我经常会问一个问题，题目如下：

现在有一批日志数据，大小为1TB，数据是某一天的生产的日志数据，现在只有一台单CPU及8G内存的机器，请使用算法对此日志数据按时间的先后顺序进行排序。

 

可面试了好多人，都没有回答出这个问题

针对这个问题今天来讲讲这个问题我的解法。

 

解决方案1：桶排序

它的原理是利用分区字段的特点，将数据分别写入到多个桶文件中，再针对每个桶文件使用内存排序算法（如快速排序），将文件内容进行排序输出到有序桶文件中。最后将这些文件按分桶的顺序组合组合起来，形成最终有序的文件。

 

示例

这样说可能有点抽象，我来具体举个简单的示例吧

 

 

桶排序过程:

1. 确定分桶的数量，像本例中就是按年龄段划分，20-29，30-39，40-49，50，这样划分出4个桶
2. 再将数据按桶的范围装入桶中。
3. 对桶中的数据进行一遍排序。
4. 按照分桶的顺序将文件依次读取写入到一个文件中，就形成了最终的有序数据

 

 

再来说说桶排序的特点：

1. 桶排序的时间复杂度为O(n),假如有N个数据，划分出M个桶。每个桶内元素(T=N/M)，如果桶内排序算法采用快速排序，时间复杂度O(T*logT),M个桶的时间复杂度就是O(M*T*logT),再加上T=N/M,即可得到N*log(N/M)，当M与N接近时，时间复杂度为常量级，这时候桶排序时间复杂度接近O(N)
2. 对排序的数据要求很苛刻，数据必须很容易的划分出M个桶，桶与桶之前有着天然的大小顺序。对每个桶内的数据排序完成后，桶与桶之前无需再进行排序。
3. 桶内的数据在各个桶内须必较平均。如果经过桶的划分。桶内的数据非常不平均，有的非常多，有的非常少，时间复杂度将不再是O(N)，可能退化为(N*logN)。
4. 桶排序比较适合外部排序。即为对磁盘文件进行排序，因为一般磁盘文件数据量较大，无法一次全部加载到内存中

 

解答问题

回到开头提到的问题，桶排序如何解决针对1TB的数据进物排序的问题呢？

1. 划分桶，在问题中，我们需要排序的是日志中的时间，而时间是很容易划分出桶的，而时间使用哪个维度来划分桶是我们所面临的问题？如果选择分钟可得到1440个桶，每个桶平均就是0.7G左右，但像日志中数据可能有数据集中的问题，尤其是像1TB这么大的日志，高峰时间段可能是平均的10倍，分桶可能非常的不平均；这样建议再降低维度使用秒，一天可最多得到86400个分桶。平均每个文件只有12M左右，高峰也不过才120M，所以选择秒是比较合适的分桶。
2. 再将数据按秒划分到各个桶即可。
3. 再将各个桶内的数据进行排序。
4. 最后按桶的先后顺序，合并到一个文件中，就得到了1TB日志的排序结果。

 

代码我就不放在这里了。有兴趣可以去我在github看看

桶排序的实现

https://github.com/kkzfl22/datastruct/blob/master/src/main/java/com/liujun/datastruct/base/sort/bigdataSort/bucketSort/BucketSort.java

 

 

 

解决方案2：归并排序

再来说说另外的一种解决办法吧，归并排序，它的核心思想：分而治之，具本来说就是将大数据分解成一个一个小数据，将小数据进行排序，然后再将这些小数据合并排序成终最终有序的数据。

示例

还是以年龄数据为例来看排序的数据吧

现有一批年龄数据20,30,50,40,22,37,45,48，使用分治思想进行排序

 

 

详细排序过程

详细的来说明下过程：图中的序号与下面的过程进行对应。
1，    将一个原始数组中的数据拆分到3个数组中。
第一个小数组中的数据是：20、30、50；
第二个小数组中的数据是：40、22、37；
第三个小数组中的数据是：45、48。
2，    对每个小数组进行排序操作，使用快速排序。可得到如下结果
第一个小数组中的数据：20、30、50；
第二个小数组中的数据：22、37、40；
第三个小数组中的数据：45、48。
3，    开始进行小数组的合并操作。声明一个3（根据分拆的数组个数定义大小）个大小的合并数组，从每个小数组中取出首个元素。即可得到20、22、45，进行排序操作，结果为: 20、22、45，将20从合并数组中移出，输出到最终的数组中，最终数组现在仅一个数据20,这一个元素。
4，    从20这个所在的小数组中取出下一个元素，也就是图中的30这个数字，加入到合并数组中，可得到数据：22、45、30，进行排序，结果为:22、30、45。将22从合并数组中移出，将22输出到最终的数组中，现在最终数组中有20，22这两个元素。
5，    从22这个数字所在的小数组中取出下一个元素，也就是37这个数字，加入到合并数组中，可得到：30、45、37，进行排序，结果为:30、37、45，将30这个数字从合并数组中移出，输出到最终的数组中，现在最终的数组中有20、22、30这三个元素
6，    从30这个数字所在的小数组中取出下一个元素，也就是50这个数字，加入到合并数组中，可得到：37、45、50，进行排序，结果为:37、45、50，将37这个数字从合并数组中移出，输出到最终的数组中，现在最终的数组中有20、22、30、37这四个元素。
7，    从37这个数字所在的小数组中取出下一个元素，也就是40这个数字，加入到合并数组中，可得到：45、50、40，进行排序，结果为40、45、50，将40这个数字从合并数组中移出，输出到最终数组中，现在最终的数组中有20、22、30、37、40这五个元素。
8，    从40这个数字所在小数组中取下一个元素，但40这个数字是这个小数组中的最后一个，所以没有数据加入到合并数组中，将合并数组中的元素45、50，进行排序，结果为：45、50，将45这个数字从合并数组中移出，加入到最终数组中，现在最终的数组中有20、22、30、37、40、45，这六个元素。
9，    从45这个数字所在的小数组中取出下一个元素，也就是48这个数字。加入到合并数组中，可得到48、50，进行排序，结果为48、50，将48这个数字从合并数据中移出，加入到最终数组中，现在最终数据中有20、22、30、37、40、45、48，这七个元素。
10，    从48这个数字所在的小数组中取出下一个元素，但48是这个小数组中的最后一个，所以没有数据加入到合并数组中，现在合并数组中仅有一个数字，无需排序，直接将50加入到最终数组中，现在最终数组中有20、22、30、37、40、45、48、50这八个元素。排序完成。
 

 

 

再来说说归并排序的特点：

1. 归并排序的时间复杂度是 O(nlogn)，这个推导有点复杂，略过。而且即使是最坏情况下，时间复杂度依然是O(nlogn)
2. 归并排序并非原地排序算法，它需要一个额外的存储空间，空间复杂变为O(n)
3. 归并排序也适用于外部排序，相对于桶排序来说，它就没有苛刻的数据要求。通用性更强

 

解答问题

再来讲讲使用归并排序的思想来实现对1TB的数据进行排序的问题

1. 将1TB的文件按固定大小进行切分，比如大小256M，读取时可按行读取，限制大小在256M以内，需保证完整的行，这样可以切出大约4096个文件。
2. 将这4096个文件，使用快速排序算法对这每个文件进行排序操作，可得到4096个排序的文件
3. 将这4096个文件进行合并输出，合并的逻辑就是从每个文件中依次获取数据，排序，输出，就像示例中的那样。就可以得到一个最终有序的文件。

 

代码我也不放在这里了。有兴趣可以去我在github看看

归并排序的实现

https://github.com/kkzfl22/datastruct/blob/master/src/main/java/com/liujun/datastruct/base/sort/bigdataSort/mergeSort/MergeSort.java

 

 

总结下

 

桶排序的性能更好，最好情况下能够在O(N)的时间复杂度内解决，但对于数据要求很苛刻，所以选择此算法，需要小心甄别数据的特点：能够很容易的划分出N个桶，最好能比较平均。

 

归并排序的通用性更好，几乎对数据无要求，但时间复杂度比桶排序高，它的场景是在比较通用的大文件排序中.