問題

給你1個文件bigdata，大小4663M，5億個數(shù)，文件中的數(shù)據(jù)隨機,如下一行一個整數(shù)：

61963023557681612158020393452095006174677379343122016371712330287901712966901...7005375

現(xiàn)在要對這個文件進行排序，怎么搞？

內(nèi)部排序

先嘗試內(nèi)排，選2種排序方式：

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; //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<T> pivot = a[low]; int i = low + 1; /* * 不變式： * 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] 待考察區(qū)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); }

歸并排序：

/** * 小于等于這個值的時候，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 */ @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 <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++]; } } }

數(shù)據(jù)太多，遞歸太深 ->棧溢出？加大Xss？ 數(shù)據(jù)太多，數(shù)組太長 -> OOM？加大Xmx?

耐心不足，沒跑出來.而且要將這么大的文件讀入內(nèi)存，在堆中維護這么大個數(shù)據(jù)量，還有內(nèi)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

sort -n bigdata -o bigdata.sorted

跑了多久呢？24分鐘.

為什么這么慢？

粗略的看下我們的資源： 1. 內(nèi)存 jvm-heap/stack，native-heap/stack,page-cache，block-buffer 2. 外存 swap + 磁盤

數(shù)據(jù)量很大，函數(shù)調(diào)用很多，系統(tǒng)調(diào)用很多，內(nèi)核/用戶緩沖區(qū)拷貝很多，臟頁回寫很多，io-wait很高，io很繁忙，堆棧數(shù)據(jù)不斷交換至swap，線程切換很多，每個環(huán)節(jié)的鎖也很多.

總之，內(nèi)存吃緊，問磁盤要空間，臟數(shù)據(jù)持久化過多導致cache頻繁失效，引發(fā)大量回寫，回寫線程高，導致cpu大量時間用于上下文切換，一切，都很糟糕，所以24分鐘不細看了，無法忍受.

位圖法

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分來鐘. 以核心內(nèi)存4663M/32大小的空間跑出這么個結(jié)果，而且大量時間在用于I/O，不錯.

問題是，如果這個時候突然內(nèi)存條壞了1、2根，或者只有極少的內(nèi)存空間怎么搞？

外部排序

該外部排序上場了. 外部排序干嘛的？

1.分

內(nèi)存中維護一個極小的核心緩沖區(qū)memBuffer，將大文件bigdata按行讀入，搜集到memBuffer滿或者大文件讀完時，對memBuffer中的數(shù)據(jù)調(diào)用內(nèi)排進行排序，排序后將有序結(jié)果寫入磁盤文件bigdata.xxx.part.sorted. 循環(huán)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(xiàn)在有了n個有序的小文件，怎么合并成1個有序的大文件？ 把所有小文件讀入內(nèi)存，然后內(nèi)排？ (⊙o⊙)… no!

利用如下原理進行歸并排序：

我們舉個簡單的例子：

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，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，繞么？ 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 那么，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，最小值屬于哪個文件，那么就從哪個文件當中取下一行數(shù)據(jù).（因為小文件內(nèi)部有序，下一行數(shù)據(jù)代表了它當前的最小值）

最終的時間，跑了771秒，13分鐘左右.

less bigdata.sorted.text...9999966999996799999689999969999997099999719999972999997399999749999975999997699999779999978...

到此這篇關(guān)于Java 5億整數(shù)大文件怎么排序的文章就介紹到這了,更多相關(guān)Java 大文件排序內(nèi)容請搜索好吧啦網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持好吧啦網(wǎng)！