大数据量整数排序

http://pisces-java.iteye.com/blog/766745

题目大意：移动公司需要对已经发放的所有139段的号码进行统计排序，已经发放的139号码段的文件都存放在一个文本文件中（原题是放在两个文件中），一个号码一行，现在需要将文件里的所有号码进行排序，并写入到一个新的文件中；号码可能会有很多，最多可能有一亿个不同的号码（所有的139段号码），存入文本文件中大概要占1.2G的空间；jvm最大的内存在300以内，程序要考虑程序的可执行性及效率；只能使用Java标准库，不得使用第三方工具。
这是个典型的大数据量的排序算法问题，首先要考虑空间问题，一下把1.2G的数据读入内存是不太可能的，就算把1一亿条数据，转都转换成int类型存储也要占接近400M的空间。当时做个题目我并没有想太多的执行效率问题，主要就考虑了空间，而且习惯性的想到合并排序，基本思想是原文件分割成若干个小文件并排序，再将排序好的小文件合并得到最后结果，算法大概如下：

1.顺序读取存放号码文件的中所有号码，并取139之后的八位转换为int类型；每读取号码数满一百万个（这个数据可配置）将已经读取的号码排序并存入新建的临时文件。
2.将所有生成的号码有序的临时文件合并存入结果文件。

这个算法虽然解决了空间问题，但是运行效率极低，由于IO读写操作太多，加上步骤1中的排序的算法（快速排序）本来效率就不高（对于电话排序这种特殊情况来说），导致1亿条数据排序运行3个小时才有结果。

如果和能够减少排序的时间呢？首当其冲的减少IO操作，另外如果能够有更加好排序算法也行。前天无聊再看这个题目时突然想到大三时看《编程珠玑》时上面也有个问题的需求这个这个题目差不多，记得好像使用是位向量（实际上就是一个bit数组），用电话作为index，心中大喜，找到了解决此问题的最完美方案啦：用位向量存储电话号码，一个号码占一个bit，一亿个电话号码也只需要大概12M的空间；算法大概如下：
1.初始化bits[capacity]；
2.顺序所有读入电话号码，并转换为int类型，修改位向量值：bits[phoneNum]=1；
3.遍历bits数组，如果bits[index]=1，转换index为电话号码输出。
Java中没有bit类型，一个boolean值占空间为1byte（感兴趣的可以自己写程序验证），我自己写个个用int模拟bit数组的类，代码如下：

Java代码

1. publicclassBitArray{
2. privateint[]bits=null;
3. privateintlength;
4. //用于设置或者提取int类型的数据的某一位(bit)的值时使用
5. privatefinalstaticint[]bitValue={
6. 0x80000000,//10000000000000000000000000000000
7. 0x40000000,//01000000000000000000000000000000
8. 0x20000000,//00100000000000000000000000000000
9. 0x10000000,//00010000000000000000000000000000
10. 0x08000000,//00001000000000000000000000000000
11. 0x04000000,//00000100000000000000000000000000
12. 0x02000000,//00000010000000000000000000000000
13. 0x01000000,//00000001000000000000000000000000
14. 0x00800000,//00000000100000000000000000000000
15. 0x00400000,//00000000010000000000000000000000
16. 0x00200000,//00000000001000000000000000000000
17. 0x00100000,//00000000000100000000000000000000
18. 0x00080000,//00000000000010000000000000000000
19. 0x00040000,//00000000000001000000000000000000
20. 0x00020000,//00000000000000100000000000000000
21. 0x00010000,//00000000000000010000000000000000
22. 0x00008000,//00000000000000001000000000000000
23. 0x00004000,//00000000000000000100000000000000
24. 0x00002000,//00000000000000000010000000000000
25. 0x00001000,//00000000000000000001000000000000
26. 0x00000800,//00000000000000000000100000000000
27. 0x00000400,//00000000000000000000010000000000
28. 0x00000200,//00000000000000000000001000000000
29. 0x00000100,//00000000000000000000000100000000
30. 0x00000080,//00000000000000000000000010000000
31. 0x00000040,//00000000000000000000000001000000
32. 0x00000020,//00000000000000000000000000100000
33. 0x00000010,//00000000000000000000000000010000
34. 0x00000008,//00000000000000000000000000001000
35. 0x00000004,//00000000000000000000000000000100
36. 0x00000002,//00000000000000000000000000000010
37. 0x00000001//00000000000000000000000000000001
38. };
39. publicBitArray(intlength){
40. if(length<0){
41. thrownewIllegalArgumentException("length必须大于零！");
42. }
43. bits=newint[length/32+(length%32>0?1:0)];
44. this.length=length;
45. }
46. //取index位的值
47. publicintgetBit(intindex){
48. if(index<0||index>length){
49. thrownewIllegalArgumentException("length必须大于零小于"+length);
50. }
51. intintData=bits[index/32];
52. return(intData&bitValue[index%32])>>>(32-index%32-1);
53. }
54. //设置index位的值，只能为0或者1
55. publicvoidsetBit(intindex,intvalue){
56. if(index<0||index>length){
57. thrownewIllegalArgumentException("length必须大于零小于"+length);
58. }
59. if(value!=1&&value!=0){
60. thrownewIllegalArgumentException("value必须为0或者1");
61. }
62. intintData=bits[index/32];
63. if(value==1){
64. bits[index/32]=intData|bitValue[index%32];
65. }else{
66. bits[index/32]=intData&~bitValue[index%32];
67. }
68. }
69. publicintgetLength(){
70. returnlength;
71. }
72. }

public class BitArray { private int[] bits = null; private int length; //用于设置或者提取int类型的数据的某一位(bit)的值时使用 private final static int[] bitValue = { 0x80000000,//10000000 00000000 00000000 00000000 0x40000000,//01000000 00000000 00000000 00000000 0x20000000,//00100000 00000000 00000000 00000000 0x10000000,//00010000 00000000 00000000 00000000 0x08000000,//00001000 00000000 00000000 00000000 0x04000000,//00000100 00000000 00000000 00000000 0x02000000,//00000010 00000000 00000000 00000000 0x01000000,//00000001 00000000 00000000 00000000 0x00800000,//00000000 10000000 00000000 00000000 0x00400000,//00000000 01000000 00000000 00000000 0x00200000,//00000000 00100000 00000000 00000000 0x00100000,//00000000 00010000 00000000 00000000 0x00080000,//00000000 00001000 00000000 00000000 0x00040000,//00000000 00000100 00000000 00000000 0x00020000,//00000000 00000010 00000000 00000000 0x00010000,//00000000 00000001 00000000 00000000 0x00008000,//00000000 00000000 10000000 00000000 0x00004000,//00000000 00000000 01000000 00000000 0x00002000,//00000000 00000000 00100000 00000000 0x00001000,//00000000 00000000 00010000 00000000 0x00000800,//00000000 00000000 00001000 00000000 0x00000400,//00000000 00000000 00000100 00000000 0x00000200,//00000000 00000000 00000010 00000000 0x00000100,//00000000 00000000 00000001 00000000 0x00000080,//00000000 00000000 00000000 10000000 0x00000040,//00000000 00000000 00000000 01000000 0x00000020,//00000000 00000000 00000000 00100000 0x00000010,//00000000 00000000 00000000 00010000 0x00000008,//00000000 00000000 00000000 00001000 0x00000004,//00000000 00000000 00000000 00000100 0x00000002,//00000000 00000000 00000000 00000010 0x00000001 //00000000 00000000 00000000 00000001 }; public BitArray(int length) { if(length < 0){ throw new IllegalArgumentException("length必须大于零！"); } bits = new int[length / 32 + (length % 32 > 0 ? 1 : 0)]; this.length = length; } //取index位的值 public int getBit(int index){ if(index <0 || index > length){ throw new IllegalArgumentException("length必须大于零小于" + length); } int intData = bits[index/32]; return (intData & bitValue[index%32]) >>> (32 - index%32 -1); } //设置index位的值，只能为0或者1 public void setBit(int index,int value){ if(index <0 || index > length){ throw new IllegalArgumentException("length必须大于零小于" + length); } if(value!=1&&value!=0){ throw new IllegalArgumentException("value必须为0或者1"); } int intData = bits[index/32]; if(value == 1){ bits[index/32] = intData | bitValue[index%32]; }else{ bits[index/32] = intData & ~bitValue[index%32]; } } public int getLength(){ return length; } }

bit数组有了，剩下就是算法代码，核心代码如下：

Java代码

1. bitArray=newBitArray(100000000);
2. //顺序读取所有的手机号码
3. while((phoneNum=bufferedReader.readLine())!=null){
4. phoneNum=phoneNum.trim().substring(3);//13573228432
5. //取139后8位转换为int类型
6. phoneNumAsInt=Integer.valueOf(phoneNum);
7. //设置对应bit值为1
8. bitArray.setBit(phoneNumAsInt,1);
9. }
10. //遍历bit数组输出所有存在的号码
11. for(inti=0;i<sortUnit;i++){
12. if(bitArray.getBit(i)==1){
13. writer.write("139"+leftPad(String.valueOf(i+sortUnit*times),8));
14. writer.newLine();
15. }
16. }
17. writer.flush();

bitArray = new BitArray(100000000); //顺序读取所有的手机号码 while((phoneNum = bufferedReader.readLine())!=null){ phoneNum = phoneNum.trim().substring(3);//13573228432 //取139后8位转换为int类型 phoneNumAsInt = Integer.valueOf(phoneNum); //设置对应bit值为1 bitArray.setBit(phoneNumAsInt, 1); } //遍历bit数组输出所有存在的号码 for(int i = 0;i<sortUnit;i++){ if(bitArray.getBit(i)==1){ writer.write("139" + leftPad(String.valueOf(i + sortUnit*times), 8)); writer.newLine(); } } writer.flush();
经测试，修改后的算法排序时只需要20多M的内存，一亿条电话号码排序只要10分钟（时间主要花在IO上），看来效果还是很明显的。
这个算法很快，不过也有他的局限性：
1.只能用于整数的排序，或者可以准确映射到正整数（对象不同对应的正整数也不相同）的数据的排序。
2.不能处理重复的数据，重复的数据排序后只有一条（如果有这种需求可以在这个算法的基础上修改， 给出现次数大于1的数据添加个计数器，然后存入Map中）
3.对于数据量极其大的数据处理可能还是比较占用空间， 这种情况可配合多通道排序算法解决。

PS:这个算法的思想源于《编程珠玑》，有兴趣的可以读读那本书，非常不错！