面试热身:5 亿整数的大文件,排个序?

问题

给你1个文件bigdata,大小4663M,5亿个数,文件中的数据随机,如下一行一个整数:

61963023557681612158020393452095006174677379343122016371712330287901712966901...7005375

现在要对这个文件进行排序,怎么搞?

内部排序

先尝试内排,选2种排序方式:

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;        //当序列非常小,用插入排序        if(n <= cutoff) {            InsertionSort insertionSort = SortFactory.createInsertionSort();            insertionSort.perform(a,low,high);            //当序列中小时,使用median3        }else if(n <= 100) {            int m = median3(a,low,low + (n >>> 1),high);            exchange(a,m,low);            //当序列比较大时,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;        //中心点        Comparablepivot =  a[low];        int i = low + 1;        /*        * 不变式:        *   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] 待考察区域        */        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);    }

归并排序:

/**     * 小于等于这个值的时候,交给插入排序     */    private final int cutoff = 8;    /**     * 对给定的元素序列进行排序     *     * @param a 给定元素序列     */    @Override    public 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;        //小于等于cutoff的时候,交给插入排序        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);        //考虑局部有序 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++];            }        }    }

数据太多,递归太深 ->栈溢出?加大Xss?数据太多,数组太长 -> OOM?加大Xmx?

耐心不足,没跑出来.而且要将这么大的文件读入内存,在堆中维护这么大个数据量,还有内排中不断的拷贝,对栈和堆都是很大的压力,不具备通用性。

sort命令来跑

跑了多久呢?24分钟.

为什么这么慢?

粗略的看下我们的资源:

内存 jvm-heap/stack,native-heap/stack,page-cache,block-buffer 外存 swap + 磁盘 数据量很大,函数调用很多,系统调用很多,内核/用户缓冲区拷贝很多,脏页回写很多,io-wait很高,io很繁忙,堆栈数据不断交换至swap,线程切换很多,每个环节的锁也很多.

总之,内存吃紧,问磁盘要空间,脏数据持久化过多导致cache频繁失效,引发大量回写,回写线程高,导致cpu大量时间用于上下文切换,一切,都很糟糕,所以24分钟不细看了,无法忍受.

位图法

private BitSet bits;    public void perform(            String largeFileName,            int total,            String destLargeFileName,            Castor castor,            int readerBufferSize,            int writerBufferSize,            boolean asc) throws IOException {        System.out.println("BitmapSort Started.");        long start = System.currentTimeMillis();        bits = new BitSet(total);        InputPart largeIn = PartFactory.createCharBufferedInputPart(largeFileName, readerBufferSize);        OutputPart 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分来钟. 以核心内存4663M/32大小的空间跑出这么个结果,而且大量时间在用于I/O,不错.

问题是,如果这个时候突然内存条坏了1、2根,或者只有极少的内存空间怎么搞?

外部排序

该外部排序上场了. 外部排序干嘛的?

内存极少的情况下,利用分治策略,利用外存保存中间结果,再用多路归并来排序;

map-reduce的嫡系.面试热身:5 亿整数的大文件,排个序?_第1张图片

 面试热身:5 亿整数的大文件,排个序?_第2张图片

 

1.分

内存中维护一个极小的核心缓冲区memBuffer,将大文件bigdata按行读入,搜集到memBuffer满或者大文件读完时,对memBuffer中的数据调用内排进行排序,排序后将有序结果写入磁盘文件bigdata.xxx.part.sorted. 循环利用memBuffer直到大文件处理完毕,得到n个有序的磁盘文件:面试热身:5 亿整数的大文件,排个序?_第3张图片

 

2.合

现在有了n个有序的小文件,怎么合并成1个有序的大文件?把所有小文件读入内存,然后内排?(⊙o⊙)… no!

利用如下原理进行归并排序:面试热身:5 亿整数的大文件,排个序?_第4张图片

 

我们举个简单的例子:

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,这3个文件中的最小值是:min(1,2,3) = 1 也就是说,最终大文件的当前最小值,是文件1、2、3的当前最小值的最小值,绕么?上面拿出了最小值1,写入大文件.

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,这3个文件中的最小值是:min(5,2,3) = 2 将2写入大文件.

也就是说,最小值属于哪个文件,那么就从哪个文件当中取下一行数据.(因为小文件内部有序,下一行数据代表了它当前的最小值)

最终的时间,跑了771秒,13分钟左右.

你可能感兴趣的:(编程,Java,程序员,服务器,linux,运维)