5亿整数的大文件，怎么排？

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：

6196302
3557681
6121580
2039345
2095006
1746773
7934312
2016371
7123302
8790171
2966901
...
7005375

现在要对这个文件进行排序，怎么搞？

• 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
...