专栏首页Java技术栈面试被问傻!5亿个数大文件怎么排序?

面试被问傻!5亿个数大文件怎么排序?

曾经被问傻的一道面试题分享给你:

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:

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:

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;
  
  if(n <= cutoff) {
    InsertionSort insertionSort = SortFactory.createInsertionSort();
    insertionSort.perform(a,low,high);
    
  }else if(n <= 100) {
    int m = median3(a,low,low + (n >>> 1),high);
    exchange(a,m,low);
    
  }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;
  
  int lt = low;
  
  int gt = high;
  
  Comparable<T> pivot = a[low];
  int i = low + 1;

  

  while (i <= gt) {
    if(lessThan(a[i],pivot)) {
      
      exchange(a,lt++,i++);
    }else if(lessThan(pivot,a[i])) {
      exchange(a,i,gt--);
    }else{
      i++;
    }
  }

  
  perform(a,low,lt - 1);
  perform(a,gt + 1,high);
}

归并排序:

private final int cutoff = 8;


@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;
    
  
  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);

  
  if(lessThanOrEqual(src[mid],src[mid+1])) {
    System.arraycopy(src,low,dest,low,high - low + 1);
  }

  
  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++];
    }
  }
}

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

sort -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:

内存

jvm-heap/stack,native-heap/stack,page-cache,block-buffer

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<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.

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:

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:

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.

less bigdata.sorted.text
...
9999966
9999967
9999968
9999969
9999970
9999971
9999972
9999973
9999974
9999975
9999976
9999977
9999978
...

来源:https://www.cnblogs.com/foreach-break

本文分享自微信公众号 - Java技术栈(javastack)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2020-03-03

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 关系型数据的分布式处理系统:Cobar

    Cobar简介 Cobar是关系型数据的分布式处理系统,它可以在分布式的环境下像传统数据库一样为您提供海量数据服务。 Github:https://github...

    Java技术栈
  • 彻底干掉恶心的 SQL 注入漏洞, 一网打尽!

    来源:b1ngz.github.io/java-sql-injection-note/

    Java技术栈
  • Spring Boot 配置随机数那些小技巧

    org.springframework.boot.context.config.RandomValuePropertySource

    Java技术栈
  • 牛逼!5 亿!整数的大文件,如何排序?神操作!

    给你1个文件bigdata,大小4663M,5亿个数(对的,你没听错,就是5亿),文件中的数据随机,如下一行一个整数:

    搜云库技术团队
  • 面试题热个身:5 亿整数的大文件,来排个序?

    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:

    芋道源码
  • 面试被问:5 亿整数的大文件,排个序 ?

    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:

    用户4143945
  • 【模板】割点 tarjan

    若为根,有两个及以上孩子算割点,不为根,点u存在连接的一个点v访问的最小值low[v]大于等于(等于就是最后还是走到这个点)dfn[u],则u为割点

    用户2965768
  • tarjan求桥、割顶

    若low[v]>dfn[u],则(u,v)为割边。但是实际处理时我们并不这样判断,因为有的图上可能有重边,这样不好处理。我们记录每条边的标号(一条无向边拆成的两...

    饶文津
  • 浅析强连通分量 Tarjan

    在有向图G中,如果两点互相可达,则称这两个点强连通,如果G中任意两点互相可达,则称G是强连通图。

    用户2965768
  • 2014腾讯软件开发类笔试题(广州站)

    试卷类型:软件开发A1 考试时长:120分钟 一 不定项选择题(共25题,每题4分,共100分,少选、错选、多选均不得分) 1 已知一棵二叉树,如果先序...

    bear_fish

扫码关注云+社区

领取腾讯云代金券