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：

61963023557681612158020393452095006174677379343122016371712330287901712966901...7005375

現在要對這個文件進行排序，怎么搞？

內部排序

先嘗試內排，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.而且要將這么大的文件讀入內存，在堆中維護這么大個數據量，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

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. 內存 jvm-heap/stack，native-heap/stack,page-cache，block-buffer 2. 外存 swap + 磁盤

數據量很大，函數調用很多，系統調用很多，內核/用戶緩沖區拷貝很多，臟頁回寫很多，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，臟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. 以核心內存4663M/32大小的空間跑出這么個結果，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存條壞了1、2根，或者只有極少的內存空間怎么搞？

外部排序

該外部排序上場了. 外部排序干嘛的？

1.分

內存中維護一個極小的核心緩沖區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中的數據調用內排進行排序，排序后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，怎么合并成1個有序的大文件？ 把所有小文件讀入內存，然后內排？ (⊙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）

最終的時間，跑了771秒，13分鐘左右.

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

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