來源 |?程序員追風(fēng)

編輯?|?Carol

出品|?CSDN云計(jì)算（ID：CSDNcloud）

最近一家公司，面試官一上來，就問了我這么一個(gè)問題，我一臉懵逼，決定記錄一下。

問題

給你1個(gè)文件bigdata，大小4663M，5億個(gè)數(shù)，文件中的數(shù)據(jù)隨機(jī),如下一行一個(gè)整數(shù)：

6196302 3557681 6121580 2039345 2095006 1746773 7934312 2016371 7123302 8790171 2966901 ... 7005375

現(xiàn)在要對這個(gè)文件進(jìn)行排序，怎么搞？

內(nèi)部排序

先嘗試內(nèi)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(dāng)序列非常小，用插入排序 if(n <= cutoff) {InsertionSort insertionSort = SortFactory.createInsertionSort();insertionSort.perform(a,low,high); //當(dāng)序列中小時(shí)，使用median3}else if(n <= 100) { int m = median3(a,low,low + (n >>> 1),high);exchange(a,m,low); //當(dāng)序列比較大時(shí)，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(diǎn)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(qū)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(gè)值的時(shí)候，交給插入排序*/ private final int cutoff = 8;/*** 對給定的元素序列進(jìn)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(shí)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(shù)據(jù)太多，遞歸太深 ->棧溢出？加大Xss？

數(shù)據(jù)太多，數(shù)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(nèi)存，在堆中維護(hù)這么大個(gè)數(shù)據(jù)量，還有內(nèi)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

跑了多久呢？24分鐘。

為什么這么慢？

粗略的看下我們的資源：

內(nèi)存 jvm-heap/stack，native-heap/stack,page-cache，block-buffer 外存 swap + 磁盤 數(shù)據(jù)量很大，函數(shù)調(diào)用很多，系統(tǒng)調(diào)用很多，內(nèi)核/用戶緩沖區(qū)拷貝很多，臟頁回寫很多，io-wait很高，io很繁忙，堆棧數(shù)據(jù)不斷交換至swap，線程切換很多，每個(gè)環(huán)節(jié)的鎖也很多。

總之，內(nèi)存吃緊，問磁盤要空間，臟數(shù)據(jù)持久化過多導(dǎo)致cache頻繁失效，引發(fā)大量回寫，回寫線程高，導(dǎo)致cpu大量時(shí)間用于上下文切換，一切，都很糟糕，所以24分鐘不細(xì)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(nèi)存4663M/32大小的空間跑出這么個(gè)結(jié)果，而且大量時(shí)間在用于I/O，不錯(cuò)。

問題是，如果這個(gè)時(shí)候突然內(nèi)存條壞了1、2根，或者只有極少的內(nèi)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？

內(nèi)存極少的情況下，利用分治策略，利用外存保存中間結(jié)果，再用多路歸并來排序;

map-reduce的嫡系。

1、分

內(nèi)存中維護(hù)一個(gè)極小的核心緩沖區(qū)memBuffer，將大文件bigdata按行讀入，搜集到memBuffer滿或者大文件讀完時(shí)，對memBuffer中的數(shù)據(jù)調(diào)用內(nèi)排進(jìn)行排序，排序后將有序結(jié)果寫入磁盤文件bigdata.xxx.part.sorted. 循環(huán)利用memBuffer直到大文件處理完畢，得到n個(gè)有序的磁盤文件：

2、合

現(xiàn)在有了n個(gè)有序的小文件，怎么合并成1個(gè)有序的大文件？把所有小文件讀入內(nèi)存，然后內(nèi)排？(⊙o⊙)… no!

利用如下原理進(jìn)行歸并排序：

我們舉個(gè)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(gè)文件中的最小值是：min(1,2,3) = 1 也就是說，最終大文件的當(dāng)前最小值，是文件1、2、3的當(dāng)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(gè)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(gè)文件，那么就從哪個(gè)文件當(dāng)中取下一行數(shù)據(jù).（因?yàn)樾∥募?nèi)部有序，下一行數(shù)據(jù)代表了它當(dāng)前的最小值）

最終的時(shí)間，跑了771秒，13分鐘左右。

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

就是這樣，希望作者的經(jīng)驗(yàn)?zāi)軒椭侥忝嬖嚂r(shí)不會(huì)被問倒！

《原力計(jì)劃【第二季】- 學(xué)習(xí)力挑戰(zhàn)》

正式開始

即日起至 3月21日

千萬流量支持原創(chuàng)作者

更有專屬【勛章】等你來挑戰(zhàn)

推薦閱讀：看完就能獨(dú)自把集群搭起來！Hadoop HDFS完全分布式環(huán)境搭建以及技術(shù)詳解 探索處理數(shù)據(jù)的新方法，8 個(gè)重點(diǎn)帶你搞懂云數(shù)據(jù)庫——DBaaS（數(shù)據(jù)庫即服務(wù)）到底是什么！ 被高估了的測試驅(qū)動(dòng)開發(fā)？ 36萬美元套利！3 個(gè)步驟揭秘黑客DeFi閃電貸操盤全過程 收藏 | 83篇文獻(xiàn)，萬字總結(jié)強(qiáng)化學(xué)習(xí)之路 Java 老矣，尚能飯否？2020 Java 生態(tài)系統(tǒng)報(bào)告出爐 真香，朕在看了！點(diǎn)擊“閱讀原文”，參與報(bào)名

總結(jié)

以上是生活随笔為你收集整理的5亿整数的大文件，怎么排序 ？面试被问傻！的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。