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。


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...9999966999996799999689999969999997099999719999972999997399999749999975999997699999779999978...
网友评论