本文转载自:5亿整数的大文件,怎么排?
- 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?6196302 3557681 6121580 2039345 2095006 1746773 7934312 2016371 7123302 8790171 2966901 ... 7005375
- 内部排序
先尝试内排,选2种排序方式:
- 3路快排
private final int cutoff = 8; public <T> void perform(Comparable<T>[] a) { perform(a, 0, a.length - 1); } private <T> int median3(Comparable<T>[] a, int x, int y, int z) { if (lessThan(a[x], a[y])) { if (lessThan(a[y], a[z])) { return y; } else if (lessThan(a[x], a[z])) { return z; } else { return x; } } else { if (lessThan(a[z], a[y])){ return y; } else if (lessThan(a[z], a[x])) { return z; } else { return x; } } } private <T> void perform(Comparable<T>[] a, int low, int high) { int n = high - low + 1; //当序列非常小,用插入排序 if (n <= cutoff) { InsertionSort insertionSort = SortFactory.createInsertionSort(); insertionSort.perform(a, low, high); //当序列中小时,使用median3 } else if (n <= 100) { int m = median3(a, low, low + (n >> > 1), high); exchange(a, m, low); //当序列比较大时,使用ninther } else { int gap = n >> > 3; int m = low + (n >> > 1); int m1 = median3(a, low, low + gap, low + (gap << 1)); int m2 = median3(a, m - gap, m, m + gap); int m3 = median3(a, high - (gap << 1), high - gap, high); int ninther = median3(a, m1, m2, m3); exchange(a, ninther, low); } if (high <= low) return; //lessThan int lt = low; //greaterThan int gt = high; //中心点 Comparable<T> pivot = a[low]; int i = low + 1; /* * 不变式: * a[low..lt-1] 小于pivot -> 前部(first) * a[lt..i-1] 等于 pivot -> 中部(middle) * a[gt+1..n-1] 大于 pivot -> 后部(final) * * a[i..gt] 待考察区域 */ while (i <= gt) { if (lessThan(a[i], pivot)) { //i-> ,lt -> exchange(a, lt++, i++); } else if (lessThan(pivot, a[i])) { exchange(a, i, gt--); } else{ i++; } } // a[low..lt-1] < v = a[lt..gt] < a[gt+1..high]. perform(a, low, lt - 1); perform(a, gt + 1, high); }
- 归并排序
/** * 小于等于这个值的时候,交给插入排序 */ private final int cutoff = 8; /** * 对给定的元素序列进行排序 * * @param a 给定元素序列 */ @Override public <T> void perform(Comparable<T>[] a) { Comparable<T>[] b = a.clone(); perform(b, a, 0, a.length - 1); } private <T> void perform(Comparable<T>[] src, Comparable<T>[] dest, int low, int high) { if (low >= high) return; //小于等于cutoff的时候,交给插入排序 if (high - low <= cutoff) { SortFactory.createInsertionSort().perform(dest, low, high); return; } int mid = low + ((high - low) >> > 1); perform(dest, src, low, mid); perform(dest, src, mid + 1, high); //考虑局部有序 src[mid] <= src[mid+1] if (lessThanOrEqual(src[mid], src[mid + 1])) { System.arraycopy(src, low, dest, low, high - low + 1); } //src[low .. mid] + src[mid+1 .. high] -> dest[low .. high] merge(src, dest, low, mid, high); } private <T> void merge(Comparable<T>[] src, Comparable<T>[] dest, int low, int mid, int high) { for (int i = low, v = low, w = mid + 1; i <= high; i++) { if (w > high || v <= mid && lessThanOrEqual(src[v], src[w])) { dest[i] = src[v++]; } else { dest[i] = src[w++]; } } }
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。
- sort命令来跑
sort -n bigdata -o bigdata.sorted
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
外村
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.
- 位图法
private BitSet bits; public void perform( String largeFileName, int total, String destLargeFileName, Castor<Integer> castor, int readerBufferSize, int writerBufferSize, boolean asc) throws IOException{ System.out.println("BitmapSort Started."); long start = System.currentTimeMillis(); bits = new BitSet(total); InputPart<Integer> largeIn = PartFactory.createCharBufferedInputPart(largeFileName, readerBufferSize); OutputPart<Integer> largeOut = PartFactory.createCharBufferedOutputPart(destLargeFileName, writerBufferSize); largeOut.delete(); Integer data; int off = 0; try { while (true) { data = largeIn.read(); if (data == null) break; int v = data; set(v); off++; } largeIn.close(); int size = bits.size(); System.out.println(String.format("lines : %d ,bits : %d", off, size)); if (asc) { for (int i = 0; i < size; i++) { if (get(i)) { largeOut.write(i); } } } else { for (int i = size - 1; i >= 0; i--) { if (get(i)) { largeOut.write(i); } } } largeOut.close(); long stop = System.currentTimeMillis(); long elapsed = stop - start; System.out.println(String.format("BitmapSort Completed.elapsed : %dms", elapsed)); } finally { largeIn.close(); largeOut.close(); } } private void set(int i) { bits.set(i); } private boolean get(int v) { return bits.get(v); }
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?
- 外部排序
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.
less bigdata.sorted.text ... 9999966 9999967 9999968 9999969 9999970 9999971 9999972 9999973 9999974 9999975 9999976 9999977 9999978 ...