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：

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

字節跳動面試：5 億整數的大文件，如何排序？我懵逼了

問題

內部排序

歸併排序：

sort命令來跑

位圖法

外部排序

1、分

2、合