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;publicvoid perform(Comparable /<code>[] 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);}
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 */@Overridepublicvoid perform(Comparable /<code>[] 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++]; } } }
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