java⼤⽂件整数怎么排序问题
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：
sort命令排序6196302
3557681
6121580
2039345
2095006
1746773
7934312
2016371
7123302
8790171
2966901
...
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：
3路快排：
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
22 23 24 25 26private 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;
}
}
}
26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 }
private<T> void perform(Comparable<T>[] 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 = ateInsertionSort(); 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
Comparable<T> pivot = 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[-1] ⼤于 pivot -> 后部(final)
*
* ] 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[gt+1..high].
perform(a,low,lt - 1);
81 82 perform(a,low,lt - 1); perform(a,gt + 1,high); }
归并排序：
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34
35 36 37 38 39 40 41 42 43 44 45 46 47 48 49/**
* 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<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的时候，交给插⼊排序
if(high - low <= cutoff) {
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<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++];
}
}
49 }
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
1sort-n bigdata -o bigdata.sorted
跑了多久呢？24分钟.
为什么这么慢？
粗略的看下我们的资源：
1. 内存
jvm-heap/stack，native-heap/stack,page-cache，block-buffer
2. 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
1 2 3 4 5
6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24private 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 = ateCharBufferedInputPart(largeFileName, readerBufferSize);
OutputPart<Integer> largeOut = ateCharBufferedOutputPart(destLargeFileName, writerBufferSize); largeOut.delete();
Integer data;
int off = 0;
try{
while(true) {
data = ad();
if(data == null)
break;
25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 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) {
(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.
发表评论