最近,面試頭條,面試官一上來,就問了我這麼一個問題,我一臉懵逼,決定記錄一下。
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:
6196302
3557681
6121580
2039345
2095006
1746773
7934312
2016371
7123302
8790171
2966901
...
7005375
現在要對這個文件進行排序,怎麼搞?
內部排序
先嘗試內排,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, 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, 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;
// 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, low, 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, 0, a.length - 1);
}
private <T> void perform(Comparable<T>[] src, Comparable<T>[] dest, int low, 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, 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.而且要將這麼大的文件讀入內存,在堆中維護這麼大個數據量,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。
sort命令來跑
跑了多久呢?24分鐘。
為什麼這麼慢?
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 + 磁碟 數據量很大,函數調用很多,系統調用很多,內核/用戶緩衝區拷貝很多,髒頁回寫很多,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,問磁碟要空間,髒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。
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分來鍾. 以核心內存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,如果這個時候突然內存條壞了1、2根,或者只有極少的內存空間怎麼搞?
外部排序
該外部排序上場了,外部排序幹嘛的?
內存極少的情況下,利用分治策略,利用外存保存中間結果,再用多路歸併來排序;
map-reduce的嫡系。
1、分
內存中維護一個極小的核心緩衝區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,排序後將有序結果寫入磁碟文件bigdata.xxx.part.sorted. 循環利用memBuffer直到大文件處理完畢,得到n個有序的磁碟文件:
2、合
現在有了n個有序的小文件,怎麼合併成1個有序的大文件?把所有小文件讀入內存,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:
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
那麼,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,繞麼?
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
那麼,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,最小值屬於哪個文件,那麼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。
less bigdata.sorted.text
...
9999966
9999967
9999968
9999969
9999970
9999971
9999972
9999973
9999974
9999975
9999976
9999977
9999978
...
推薦閱讀:疫情在家10天,總結了一份Java架構師核心知識點PDF丨粉絲福利