最近，面試頭條，面試官一上來，就問了我這麼一個問題，我一臉懵逼，決定記錄一下。

問題

給你1個文件bigdata，大小4663M，5億個數，文件中的數據隨機,如下一行一個整數：

<code>61963023557681612158020393452095006174677379343122016371712330287901712966901...7005375 /<code>

現在要對這個文件進行排序，怎麼搞？

內部排序

先嚐試內排，選2種排序方式。

3路快排：

<code>private final int cutoff = 8;public  void perform(Comparable[] a) {    perform(a, 0, a.length - 1);}private  int median3(Comparable[] 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  void perform(Comparable[] a, int low, int high) { int n = high - low + 1; // 當序列非常小，用插入排序 if (n <= cutoff) { InsertionSort insertionSort = SortFactory.createInsertionSort();        insertionSort.perform(a, low, high); // 當序列中小時，使用median3 } else if (n <= 100) { int m = median3(a, low, low + (n >>> 1), high);        exchange(a, m, low); // 當序列比較大時，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; // 中心點 Comparable pivot = a[low]; int i = low + 1; /*        * 不變式：a[low..lt-1] 小於pivot -> 前部(first) a[lt..i-1] 等於 pivot -> 中部(middle)        * a[gt+1..n-1] 大於 pivot -> 後部(final)        *        * a[i..gt] 待考察區域        */ 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);} /<code>

歸併排序：

<code>/** * 小於等於這個值的時候，交給插入排序 */private final int cutoff = 8;/** * 對給定的元素序列進行排序 * * @param a 給定元素序列 */@Overridepublic  
 void perform(Comparable[] a) { Comparable[] b = a.clone();    perform(b, a, 0, a.length - 1);}private  void perform(Comparable[] src, Comparable[] dest, int low, int high) { if (low >= high) return; // 小於等於cutoff的時候,交給插入排序 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); // 考慮局部有序 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  void merge(Comparable[] src, Comparable[] 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++]; } } } /<code>

數據太多，遞歸太深 ->棧溢出？加大Xss？

數據太多，數組太長 -> OOM？加大Xmx?

耐心不足，沒跑出來.而且要將這麼大的文件讀入內存，在堆中維護這麼大個數據量，還有內排中不斷的拷貝，對棧和堆都是很大的壓力，不具備通用性。

sort命令來跑

跑了多久呢？24分鐘。

為什麼這麼慢？

粗略的看下我們的資源：

內存 jvm-heap/stack，native-heap/stack,page-cache，block-buffer 外存 swap + 磁盤 數據量很大，函數調用很多，系統調用很多，內核/用戶緩衝區拷貝很多，髒頁回寫很多，io-wait很高，io很繁忙，堆棧數據不斷交換至swap，線程切換很多，每個環節的鎖也很多。

總之，內存吃緊，問磁盤要空間，髒數據持久化過多導致cache頻繁失效，引發大量回寫，回寫線程高，導致cpu大量時間用於上下文切換，一切，都很糟糕，所以24分鐘不細看了，無法忍受。

位圖法

<code>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);} /<integer>/<integer>/<integer>/<code>

nice! 跑了190秒，3分來鍾. 以核心內存4663M/32大小的空間跑出這麼個結果，而且大量時間在用於I/O，不錯。

問題是，如果這個時候突然內存條壞了1、2根，或者只有極少的內存空間怎麼搞？

外部排序

該外部排序上場了，外部排序幹嘛的？

內存極少的情況下，利用分治策略，利用外存保存中間結果，再用多路歸併來排序;

map-reduce的嫡系。

1、分

內存中維護一個極小的核心緩衝區memBuffer，將大文件bigdata按行讀入，蒐集到memBuffer滿或者大文件讀完時，對memBuffer中的數據調用內排進行排序，排序後將有序結果寫入磁盤文件bigdata.xxx.part.sorted. 循環利用memBuffer直到大文件處理完畢，得到n個有序的磁盤文件：

2、合

現在有了n個有序的小文件，怎麼合併成1個有序的大文件？把所有小文件讀入內存，然後內排？(⊙o⊙)… no!

利用如下原理進行歸併排序：

我們舉個簡單的例子：

<code>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行那麼，這3個文件中的最小值是：min(1,2,3) = 1也就是說，最終大文件的當前最小值，是文件1、2、3的當前最小值的最小值，繞麼？上面拿出了最小值1，寫入大文件.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行那麼，這3個文件中的最小值是：min(5,2,3) = 2將2寫入大文件.也就是說，最小值屬於哪個文件，那麼就從哪個文件當中取下一行數據.（因為小文件內部有序，下一行數據代表了它當前的最小值） /<code> 

最終的時間，跑了771秒，13分鐘左右。

<code>less bigdata.sorted.text...9999966999996799999689999969999997099999719999972999997399999749999975999997699999779999978... /<code>

閱讀更多 編程技匠 的文章

關鍵字: 面試 面試官 人生第一份工作