文章标题

10亿个字符串的排序问题

10亿个字符串排序

一、问题描述

有一个大文件,里面有十亿个字符串,乱序的,要求将这些字符串以字典的顺序排好序

二、解决思路

    将大文件切割成小文件,每个小文件内归并排序;

    对所有的小文件进行归并排序——多重归并排序

三、解决方案

3.1 模拟产生10亿个随机字符

Java代码 
public static void generateDate() throws IOException {  
    BufferedWriter writer = new BufferedWriter(new FileWriter(ORIGINALPATH));  
    Random random = new Random();  
    StringBuffer buffer = new StringBuffer(  
    "0123456789abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ");  
    int range = buffer.length();  
    int length = 1;  
    for (int i = 0; i < BIGDATALENGTH; i++) {  
        StringBuffer sb = new StringBuffer();  
        length = random.nextInt(20)+1;  
               //System.out.println("length--->"+length);  
        for (int j = 0; j < length; j++) {  
                       //System.out.println("j--->"+j);  
            sb.append(buffer.charAt(random.nextInt(range)));  
        }  
        System.out.println("sb---->"+sb);  
        writer.write(sb.toString() + "\n");  
    }  
    writer.close();  
}  

3.2 对大文件进行切割

Java代码
/** 
 * 将原始数据分成几块 并排序 再保存到临时文件 
 * @throws IOException 
 */  
public static void splitData() throws IOException {  
    @SuppressWarnings("resource")  
    BufferedReader br = new BufferedReader(new FileReader(ORIGINALPATH));  
    tempFiles = new File[BIGDATALENGTH / TEMPFILELENGTH];//将会产生的临时文件列表  
    for (int i = 0; i < tempFiles.length; i++) {  
        tempFiles[i] = new File(TEMPFILEPATH + "TempFile" + i + ".txt");  
        BufferedWriter writer = new BufferedWriter(new FileWriter(tempFiles[i]));  
        HashMap<Integer,String> hashMap = new HashMap<Integer,String>();//未排序  
        //每次读出TEMPFILELENGTH个文件 保存到smallLine中  
        for (int j = 1; j <= TEMPFILELENGTH; j++) {  
            String text = null;  
            if ((text = br.readLine()) != null) {  
                hashMap.put(j, text);  
            }  
        }  
        hashMap = MergeSort.sort(hashMap);  
        for(int k=1; k<=TEMPFILELENGTH; k++){  
            writer.write(String.valueOf(hashMap.get(k))  
                    + System.getProperty("line.separator"));  
//System.getProperty("line.separator")相当于\n  
        }  
        writer.close();  
    }  
}  

3.3 对小文件进行递归归并

Java代码
/** 
 * 多路归并排序 
 * @param files 
 * @throws IOException 
 */  
public static void multiWaysMergeSort(String[] files) throws IOException {  
    System.out.println("归并文件-----第 "+mergeSortCount+" 次-----");  
    //当最后只有一个文件的时候 数据已经排序成功 直接复制保存到结果文件  
    if (files.length == 1) {  
        String lastFilePath = LASTFILEPATH + LASTFILENAME;  
        copyFile(files[0], lastFilePath, false);  
        //deleteFile(files[0]);  
        return;  
    }  
    for (int i = 0; i < files.length; i+=2) {  
//开始合并两个相邻的文件 所以一次跳两个  
        if (i == files.length - 1) {  
//这时候已经只剩下最后一个文件了 不需要合并 本趟归并结束  
            renameFile(files[i], i);  
            break;  
        }  
        //将br1 和 br2 写入到Write  
        BufferedReader br1 = new BufferedReader(new FileReader(files[i]));  
        BufferedReader br2 = new BufferedReader(new FileReader(files[i + 1]));  
        BufferedWriter writer = new BufferedWriter(new FileWriter(TEMPFILEPATH + "last_" + mergeSortCount + "_" + i + ".txt"));  
        String s1 = br1.readLine();  
        String s2 = br2.readLine();  
        while (s1 != null || s2 != null) {  
            if (s1 != null && s2 != null) {  
                //都不为空 才有比较的必要  
                int mergeResult = s1.compareTo(s2);  
                if (mergeResult > 0) {//s1在s2后面  
                    writer.write(s2);  
                    writer.write(System.getProperty("line.separator"));  
                    s2 = br2.readLine();  
                }  
                if (mergeResult == 0) {//s1=s2  
                    writer.write(s1);                                   writer.write(System.getProperty("line.separator"));  
                    writer.write(s2);                                   writer.write(System.getProperty("line.separator"));  
                    //System.out.println("write time : " + writeTime++);  
                    s1 = br1.readLine();  
                    s2 = br2.readLine();  
                }  
                if (mergeResult < 0) {//s1在s2前面  
                    writer.write(s1);                                   writer.write(System.getProperty("line.separator"));  
                    s1 = br1.readLine();  
                }  
            }  
            if (s1 == null && s2 != null) {  
                writer.write(s2);  
                writer.write(System.getProperty("line.separator"));  
                s2 = br2.readLine();  
            }  
            if (s2 == null && s1 != null) {  
                writer.write(s1);                 
writer.write(System.getProperty("line.separator"));  
                s1 = br1.readLine();  
            }  
        }  
        br1.close();  
        br2.close();  
//          deleteFile(files[i]);  
//          deleteFile(files[i + 1]);  
        writer.close();  
    }  
    mergeSortCount++;  
    multiWaysMergeSort(getTempFiles("last_" + (mergeSortCount-1) + "_"));  
}

3.4 运行结果分析

①生成10亿个随机字符串,时间太久了,,字符串长度随机在[1,20]之间时,文件大小大概在10.7 GB (11,500,161,591 字节)

② 切割成小文件,小文件内归并排序,每个文件内的数据100万条时,随机选取五个排序时间如下:

一共发生了410832612 次对比一共发生了 899862656 次交换执行时间为3545毫秒

一共发生了429506513 次对比一共发生了 940765504 次交换执行时间为3512毫秒

一共发生了448181315 次对比一共发生了 981668352 次交换执行时间为3497毫秒

一共发生了466856137 次对比一共发生了 1022571200 次交换执行时间为3497毫秒

一共发生了485530473 次对比一共发生了 1063474048 次交换执行时间为3981毫秒

总共1000个文件切割耗时为

切割小文件所用时间—>4341734ms—>4341.734s—>72.36m—>1.206h

③ 小文件递归归并,1000个文件,

共发生了10次归并,

产生临时文件总共1999个,

总大小为127.8 GB (137,201,789,278 字节),

产生结果文件11.6 GB (12,500,161,591 字节)

比源文件多了10亿个字节……

总耗时为—>7374129ms—>7374.129s—>122.9m—>2.048h

不得不提的是,最后执行结果成功,也不枉我苦苦等待

四、相关技术

4.1 归并排序

排序原理不多介绍,各种到处都有,如果一时不记得,看下面的原理图。秒懂。

4.2 文件读写

本程序很重要的一点就是对于文件的读写,Buffer的文件读写可以很大程度的改善速率

写操作:

BufferedWriter writer = new BufferedWriter(new FileWriter(PATH));

writer.write(“hhf\n”);

读操作:

BufferedReader br = new BufferedReader(new FileReader(PATH));

text = br.readLine()

五、关于优化

5.1分小文件时优化

前提:数据均匀,保证每个小文件大小不会超过内存的容量

处理:在分数据到小文件时,按字符串按首字母将其分到指定文件中,如A-C分配到1.txt,D-F分配到2.txt…….

优点:只需要小文件内数据排序,排序号后,即可将1.txt、2.txt、3.txt直接连接起来,极大的缩短了归并时间,相当于把递归归并变成了文件连接而已

缺点:前提不是很容易把握,若有一个小文件内的数据量大于内存的大小,则排序失败,存在一定的风险

5.2小文件内排序时优化

前提:保证每个小文件内数据量比较不是特别的大

处理:将小文件内的数据进行快速排序

优点:快排的时间效率是高于归并的

以下是测试数据

排序数量级 10 1000 100000

归并排序7ms 71ms 3331ms

快速排序6ms 52ms java.lang.StackOverflowError

缺点:缺点已经显示在测试数据内了,小文件内的数据量过大就可能导致当前线程的栈满

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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