面试题热个身：5 亿整数的大文件，来排个序？

• 2020 年 3 月 2 日
• 笔记

来源：xupengzhang

importnew.com/23450.html

• 一、问题
• 二、内部排序
• 三、归并排序：
• 四、sort命令来跑
• 五、位图法
• 六、外部排序

一、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：

现在要对这个文件进行排序，怎么搞？

二、内部排序

先尝试内排，选2种排序方式：

    private final int 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;              }              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 void perform(Comparable[] 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          Comparablepivot =  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);      }  

三、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       */      @Override      public 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 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++];              }          }      }  

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。

四、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.

五、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？

六、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.