問題
給你1個文件bigdata，大小4663M，5億個數(shù)，文件中的數(shù)據(jù)隨機(jī),如下一行一個整數(shù)：
6196302
3557681
6121580
2039345
2095006
1746773
7934312
2016371
7123302
8790171
2966901
...
7005375
現(xiàn)在要對這個文件進(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：
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，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，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
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：
/**
* 小于等于這個值的時候，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結(jié)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(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，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個有序的磁盤文件：
2.合
現(xiàn)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(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(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(dāng)中取下一行數(shù)據(jù).（因為小文件內(nèi)部有序，下一行數(shù)據(jù)代表了它當(dāng)前的最小值）
最終的時間，跑了771秒，13分鐘左右.
