Java 5億整數大檔案怎麼排序
問題
給你1個檔案bigdata
,大小4663M,5億個數,檔案中的資料隨機,如下一行一個整數:
6196302
3557681
6121580
2039345
2095006
1746773
7934312
2016371
7123302
8790171
2966901
...
7005375
現在要對這個檔案進行排序,怎麼搞?
內部排序
先嚐試內排,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,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 }else if(n <= 100) { int m = median3(a,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 + gap,low + (gap << 1)); int m2 = median3(a,m - gap,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] 小於pivot -> 前部(first) * a[lt..i-1] 等於 pivot -> 中部(middle) * a[gt+1..n-1] 大於 pivot -> 後部(final) * * a[i..gt] 待考察區域 */ 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,lt - 1); perform(a,gt + 1,high); }
歸併排序:
/** * 小於等於這個值的時候,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,a.length - 1); } private <T> void perform(Comparable<T>[] src,Comparable<T>[] dest,int high) { if(low >= high) return; //小於等於cutoff的時候,交給插入排序 if(high - low <= cutoff) { SortFactory.createInsertionSort().perform(dest,high); return; } int mid = low + ((high - low) >>> 1); perform(dest,src,mid); perform(dest,mid + 1,high); //考慮區域性有序 src[mid] <= src[mid+1] if(lessThanOrEqual(src[mid],src[mid+1])) { System.arraycopy(src,dest,high - low + 1); } //src[low .. mid] + src[mid+1 .. high] -> dest[low .. high] merge(src,mid,high); } private <T> void merge(Comparable<T>[] src,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++]; } } }
資料太多,遞迴太深 ->棧溢位?加大Xss?
資料太多,陣列太長 -> OOM?加大Xmx?
耐心不足,沒跑出來.而且要將這麼大的檔案讀入記憶體,在堆中維護這麼大個資料量,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。
sort命令來跑
sort -n bigdata -o bigdata.sorted
跑了多久呢?24分鐘.
為什麼這麼慢?
粗略的看下我們的資源:
1. 記憶體
jvm-heap/stack,native-heap/stack,page-cache,block-buffer
2. 外存
swap + 磁碟資料量很大,函式呼叫很多,系統呼叫很多,核心/使用者緩衝區拷貝很多,髒頁回寫很多,io-wait很高,io很繁忙,堆疊資料不斷交換至swap,執行緒切換很多,每個環節的鎖也很多.
總之,記憶體吃緊,問磁碟要空間,髒資料持久化過多導致cache頻繁失效,引發大量回寫,回寫執行緒高,導致cpu大量時間用於上下文切換,一切,都很糟糕,所以24分鐘不細看了,無法忍受.
點陣圖法
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分來鍾.
以核心記憶體4663M/32
大小的空間跑出這麼個結果,而且大量時間在用於I/O,不錯.
問題是,如果這個時候突然記憶體條壞了1、2根,或者只有極少的記憶體空間怎麼搞?
外部排序
該外部排序上場了.
外部排序幹嘛的?
記憶體極少的情況下,利用分治策略,利用外存儲存中間結果,再用多路歸併來排序; map-reduce的嫡系.
1.分
記憶體中維護一個極小的核心緩衝區memBuffer
,將大檔案bigdata
按行讀入,蒐集到memBuffer
滿或者大檔案讀完時,對memBuffer
中的資料呼叫內排進行排序,排序後將有序結果寫入磁碟檔案bigdata.xxx.part.sorted
.
迴圈利用memBuffer
直到大檔案處理完畢,得到n個有序的磁碟檔案:
2.合
現在有了n個有序的小檔案,怎麼合併成1個有序的大檔案?
把所有小檔案讀入記憶體,然後內排?
(⊙o⊙)…
no!
利用如下原理進行歸併排序:
我們舉個簡單的例子:
檔案1:3,6,9
檔案2:2,4,8
檔案3:1,5,7第一回合:
檔案1的最小值:3,排在檔案1的第1行
檔案2的最小值:2,排在檔案2的第1行
檔案3的最小值:1,排在檔案3的第1行
那麼,這3個檔案中的最小值是:min(1,2,3) = 1
也就是說,最終大檔案的當前最小值,是檔案1、2、3的當前最小值的最小值,繞麼?
上面拿出了最小值1,寫入大檔案.第二回合:
檔案1的最小值:3,排在檔案1的第1行
檔案2的最小值:2,排在檔案2的第1行
檔案3的最小值:5,排在檔案3的第2行
那麼,這3個檔案中的最小值是:min(5,3) = 2
將2寫入大檔案.也就是說,最小值屬於哪個檔案,那麼就從哪個檔案當中取下一行資料.(因為小檔案內部有序,下一行資料代表了它當前的最小值)
最終的時間,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
...
到此這篇關於Java 5億整數大檔案怎麼排序的文章就介紹到這了,更多相關Java 大檔案排序內容請搜尋我們以前的文章或繼續瀏覽下面的相關文章希望大家以後多多支援我們!