一、問題

給你1個文件bigdata，大小4663M，5億個數，文件中的數據隨機,如下一行一個整數：

現在要對這個文件進行排序，怎么搞？

二、內部排序

先嘗試內排，選2種排序方式：

privatefinalint cutoff = 8;public void perform(Comparable[] a) {perform(a,0,a.length - 1);}private int median3(Comparable[] a,int x,int y,int z) {if(lessThan(a[x],a[y])) {if(lessThan(a[y],a[z])) {return y;}elseif(lessThan(a[x],a[z])) {return z;}else {return x;}}else {if(lessThan(a[z],a[y])){return y;}elseif(lessThan(a[z],a[x])) {return z;}else {return x;}}}private void perform(Comparable[] a,int low,int high) {int n = high - low + 1;//當序列非常小，用插入排序if(n <= cutoff) {InsertionSort insertionSort = SortFactory.createInsertionSort();insertionSort.perform(a,low,high);//當序列中小時，使用median3}elseif(n <= 100) {int m = median3(a,low,low + (n >>> 1),high);exchange(a,m,low);//當序列比較大時，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;//lessThanint lt = low;//greaterThanint gt = high;//中心點Comparablepivot = 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] 待考察區域*/while (i <= gt) {if(lessThan(a[i],pivot)) {//i-> ,lt ->exchange(a,lt++,i++);}elseif(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);}

三、歸并排序：

/*** 小于等于這個值的時候，交給插入排序*/privatefinalint cutoff = 8;/*** 對給定的元素序列進行排序** @param a 給定元素序列*/@Overridepublic void perform(Comparable[] a) {Comparable[] b = a.clone();perform(b, a, 0, a.length - 1);}private void perform(Comparable[] src,Comparable[] dest,int low,int high) {if(low >= high)return;//小于等于cutoff的時候,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 void merge(Comparable[] src,Comparable[] 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++];}}}

數據太多，遞歸太深 ->棧溢出？加大Xss？數據太多，數組太長 -> 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存，在堆中維護這么大個數據量，還有內排中不斷的拷貝，對棧和堆都是很大的壓力，不具備通用性。

四、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：

內存 jvm-heap/stack，native-heap/stack,page-cache，block-buffer 外存 swap + 磁盤 數據量很大，函數調用很多，系統調用很多，內核/用戶緩沖區拷貝很多，臟頁回寫很多，io-wait很高，io很繁忙，堆棧數據不斷交換至swap，線程切換很多，每個環節的鎖也很多.

總之，內存吃緊，問磁盤要空間，臟數據持久化過多導致cache頻繁失效，引發大量回寫，回寫線程高，導致cpu大量時間用于上下文切換，一切，都很糟糕，所以24分鐘不細看了，無法忍受.

五、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. 以核心內存4663M/32大小的空間跑出這么個結果，而且大量時間在用于I/O，不錯.

問題是，如果這個時候突然內存條壞了1、2根，或者只有極少的內存空間怎么搞？

六、外部排序

該外部排序上場了. 外部排序干嘛的？

內存極少的情況下，利用分治策略，利用外存保存中間結果，再用多路歸并來排序;

map-reduce的嫡系.

?

1.分

內存中維護一個極小的核心緩沖區memBuffer，將大文件bigdata按行讀入，搜集到memBuffer滿或者大文件讀完時，對memBuffer中的數據調用內排進行排序，排序后將有序結果寫入磁盤文件bigdata.xxx.part.sorted. 循環利用memBuffer直到大文件處理完畢，得到n個有序的磁盤文件：

?

2.合

現在有了n個有序的小文件，怎么合并成1個有序的大文件？把所有小文件讀入內存，然后內排？(⊙o⊙)… no!

利用如下原理進行歸并排序：

我們舉個簡單的例子：

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個文件中的最小值是：min(1,2,3) = 1 也就是說，最終大文件的當前最小值，是文件1、2、3的當前最小值的最小值，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，最小值屬于哪個文件，那么就從哪個文件當中取下一行數據.（因為小文件內部有序，下一行數據代表了它當前的最小值）

最終的時間，跑了771秒，13分鐘左右.

?

總結

以上是生活随笔為你收集整理的面试题热个身：5 亿整数的大文件，来排个序？的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。