美文网首页Java架构技术进阶
字节跳动面试:5 亿整数的大文件,如何排序?

字节跳动面试:5 亿整数的大文件,如何排序?

作者: 代码小当家 | 来源:发表于2020-02-13 22:06 被阅读0次

最近,面试头条,面试官一上来,就问了我这么一个问题,我一脸懵逼,决定记录一下。

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。

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;    // 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    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[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 */@Overridepublic <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) {        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 <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

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<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。

image image

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:

image

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:

image

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...9999966999996799999689999969999997099999719999972999997399999749999975999997699999779999978...

来源:https://blog.csdn.net/gsky1986/article/details/46499529

相关文章

网友评论

    本文标题:字节跳动面试:5 亿整数的大文件,如何排序?

    本文链接:https://www.haomeiwen.com/subject/cykrfhtx.html