基于内存共享的并行排序算法慢谈（下）

题目再现：请用Python多线程对一个4G以上的文件, 进行外排序，尽量优化性能。假设系统内核数为8，Mem=512MB，关键字是字符串

6.实验

6.1python多线程

关于python多线程可以参考：http://www.cnblogs.com/holbrook/archive/2012/03/02/2376940.html

python的多线程机制和Java很像，这里就不多讲了。似乎没有涉及到共享变量，锁也不用了。

6.2问题解决思路

　　我也想过先划分数据再交给线程，但是没试过，感觉需要很多内存，搞不好还会浪费。

　　第三个非常恶劣的问题就是，线程里面新建线程会产生很多问题，具体我说不清楚。

　　第四个问题就是，pdb调试无法在线程里面 设置断点，线程的问题无法跟踪，可能是我太蠢了。

由于以上问题，我最好只能换了一种方法，就是用前面提到的算法间并行。

开始时主线程读取数据，每读到一定量时就开辟一个新的线程，把线程插入到一个队列里。

主线程把读到的数据块交给线程排序。线程启动，线程排完序后会将结果输出到文件。

主线程每次读新数据的时候，先判断下是否还有足够内存开瓶新的数据。若没有则等待线程队里的第一个线程结束。

因为第一个线程是最先开辟的，它结束后就可以释放内存了。

当主线程读完所有数据时，等待线程队列里的所有线程结束。

然后主线程使用归并思想对子文件数据进行归并，并输出到最终文件。

在归并的时候，若内存有多，尽量预取数据。

6.3完整代码

产生待排序数据

 1 import random
 2 
 3 def generatekey(num):
 4     str = []
 5     while num > 0:
 6         str.append(chr(random.randint(97, 122)))
 7         num = num - 1
 8     str.append('\n')
 9     return ''.join(str)
10 
11 print 'please enter the number'
12 N = input()
13 f=open('unsortdata','w')
14 while N > 0:
15     str = generatekey(30)
16     f.write(str)
17     N = N - 1
18     
19 f.close()

 

多线程排序

  1 import threading
  2 import time
  3 import random
  4 
  5 class MyThread(threading.Thread): 
  6 
  7     def __init__(self, file, data):
  8         threading.Thread.__init__(self)
  9         self.file = file
 10         self.data = data
 11 
 12     def run(self):
 13         last = len(self.data)
 14         self.quickSort(0, last - 1)
 15         for j in range(last):
 16             self.file.write(self.data[j])
 17         self.file.close()
 18 
 19     def quickSort(self, first, last):
 20         if last - first > 7:
 21             mid = self.partition(first, last)
 22             if first < mid - 1:
 23                 self.quickSort(first, mid - 1)
 24             if mid + 1 < last:
 25                 self.quickSort(mid + 1, last)
 26         else:
 27             self.insertSort(first, last)
 28 
 29     def insertSort(self, first, last):
 30         for i in range(first + 1, last + 1):
 31             if self.data[i - 1] > self.data[i]:
 32                 comp = self.data[i]
 33                 low = first
 34                 high = i - 1
 35                 while low <= high:
 36                     mid = (low + high) / 2
 37                     if self.data[mid] < comp:
 38                         low = mid + 1
 39                     else:
 40                         high = mid - 1
 41                 j = i - 1
 42                 while j >= high + 1:
 43                     self.data[j + 1] = self.data[j]
 44                     j = j - 1
 45                 self.data[high + 1] = comp
 46 
 47     def partition(self, first, last): 
 48         mid = random.randint(first, last)
 49         comp = self.data[mid]
 50         #交换临界值和数组第一个值
 51         temp = self.data[first]
 52         self.data[first] = comp
 53         self.data[mid] = temp
 54         while first < last:
 55             while first < last and self.data[last] >= comp:
 56                 last = last - 1
 57             if first < last:
 58                 self.data[first] = self.data[last]
 59                 first = first + 1
 60             while first < last and self.data[first] <= comp:
 61                 first = first + 1
 62             if first < last:
 63                 self.data[last] = self.data[first]
 64                 last = last - 1
 65         self.data[first] = comp
 66         return first
 67 
 68 def getbuffer(flist, i, X):
 69     temp = []
 70     for j in range(X):
 71         str = flist[i].readline()
 72         if str == '':
 73             break
 74         temp.append(str)
 75     return temp
 76 
 77 def outerMergeSort(X, N, M):
 78     buffer = []
 79     Mlist = []
 80     flist = []
 81     num = 0
 82     for i in range(M):
 83         flist.append(open('sortdata' + str(i), 'r'))
 84         buffer.append(getbuffer(flist, i, X))
 85         Mlist.append([buffer[i][0], i])
 86         del buffer[i][0]
 87     f = open('sortdata', 'w')        
 88     while(num < N and len(Mlist) > 0):
 89         Mlist.sort()
 90 
 91         f.write(Mlist[0][0])
 92         num = num + 1
 93         fro = Mlist[0][1]
 94         del Mlist[0]
 95         #here has a bug if X == 1
 96         if len(buffer[fro]) > 0:
 97             Mlist.append([buffer[fro][0], fro])
 98         if len(buffer[fro]) <= 1:
 99             buffer[fro] = getbuffer(flist, fro, X)
100         else:
101             del buffer[fro][0]
102 
103     f.close()
104     for i in range(M):
105         flist[i].close()
106 
107 if __name__ == '__main__':
108     #N为待排序的总数据量
109     #M为线程数,Sum为每个线程处理的数据量
110     #X为每个子文件的预取数组大小
111     #L为内存限制的数据量
112     print 'please enter the number N'
113     N = input()
114     print 'please enter the number M'
115     M = input()
116     Sum = N / M
117     #print 'please enter the mem limit data'
118     L = 8 * Sum 
119     X = (L - M) / M
120     ThreadL = L / Sum
121     filename = 'unsortdata'
122     f = open(filename, 'r')
123     i = 0
124     #tlist存放线程
125     tlist = []
126     data = []
127     start = time.time()
128     while i < M:
129         #主线程从unsortdata中读取Sum行
130         for j in range(Sum):
131             data.append(f.readline())
132         if len(tlist) == ThreadL:
133             tlist[0].join()
134         #新建子文件用于输出线程排序结果
135         file = open('sortdata' + str(i), 'w+')
136         #新建线程使用混合快速排序对data进行排序,将排序后的结果输出到flist[i]中
137         t = MyThread(file,  data[:])
138         tlist.append(t)
139         t.start()
140         if len(tlist) == ThreadL:
141             del tlist[0]
142         data = []
143         i = i + 1
144 
145     f.close()
146     for i in range(len(tlist)):
147         tlist[i].join()
148 
149     #归并外排序
150     outerMergeSort(X, N, M)
151     finish = time.time()
152     print 'total cost time:%s\n' % (finish - start)

6.4后期实验

可以做很多后期实验，但是时间有限

N=200000

M=1,T=12.854446888

M=2,T=8.58908414841

M=4,T=6.01675200462

M=8,T=4.41931986809

M=16,T=3.61740279198 内存限制8线程

这些都是一次实验,没求平均。

N=200000,M=8, 内排序消耗时间2.29，总共时间4.10

N=200000,M=4,内排序消耗时间2.62，总共时间5.61

......

全文完

后记：感谢李兄台指出的问题，python很多版本不能实现并行。看样子要并行的话得换个语言。

另外在本文中我们也发现了，虽然是并发，但是性能提升还是很显著的，这主要是因为算法的瓶颈在IO的缘故。