面试热身：5 亿整数的大文件，排个序？

作者 : foreach_break

来源 : cnblogs.com/foreach-break/p/external_sort.html

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？

内部排序

先尝试内排，选2种排序方式：

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;//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;//lessThanint lt = low;//greaterThanint gt = high;//中心点Comparable<T> pivot =  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);}

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*/@Overridepublic <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 <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++];}}}

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。

sort命令来跑

sort -n bigdata -o bigdata.sorted

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.

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？

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.

less bigdata.sorted.text
...
9999966
9999967
9999968
9999969
9999970
9999971
9999972
9999973
9999974
9999975
9999976
9999977
9999978
...