含有5亿个整数的大文件,如果排序?
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:
61963023557681612158020393452095006174677379343122016371712330287901712966901...7005375
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:
privatefinalint 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;
}
elseif(lessThan(a[x],a[z])) {
return z;
}else {
return x;
}
}else {
if(lessThan(a[z],a[y])){
return y;
}elseif(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
}elseif(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++);
}elseif(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
*/
privatefinalint 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。
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.
位图法
privateBitSet bits;
publicvoid perform(
String largeFileName,
int total,
String destLargeFileName,
Castor<Integer> castor,
int readerBufferSize,
int writerBufferSize,
boolean asc) throwsIOException {
System.out.println("BitmapSort Started.");
long start = System.currentTimeMillis();
bits = newBitSet(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();
}
}
privatevoid set(int i) {
bits.set(i);
}
privateboolean 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.
总结:就是分治的思想,每次从大文件中取出固定的N个数,然后排序输出到一个小文件中,依次类推直到所有的数据都写入到文件中。然后多个小的文件进行多路归并merge,将多个小文件合并为一个大的有序的文件。多次合并之后数据就有序了。
下面给出一个leetcode上的两路归并的题:
将两个有序的数组合并到一个大的数组nums1中,前提是num1中的元素个数m很大,可以放下nums1+nums2的所有数据
void merge(vector<int>& nums1, int m, vector<int>& nums2, int n) {int index = m + n -1;while (n != 0) {if (m != 0 && nums1[m-1] > nums2[n-1]) {nums1[index--] = nums1[m-1];m--;} else if (0 == m || nums1[m-1] <= nums2[n-1]) {nums1[index--] = nums2[n-1];n--;}}
含有5亿个整数的大文件,如果排序?相关推荐
- 本题要求将给定的n个整数从大到小排序后输出。
本题要求将给定的n个整数从大到小排序后输出. 输入格式: 输入第一行给出一个不超过10的正整数n.第二行给出n个整数,其间以空格分隔. 输出格式: 在一行中输出从大到小有序的数列,相邻数字间有一个空格 ...
- c语言冒泡法对10个整数由大到小排序,用冒泡法对10个整数排序
公告: 为响应国家净网行动,部分内容已经删除,感谢读者理解. 话题:用冒泡法对10个整数排序.10个整数用scanf函数输入回答:举了例:一个数组:3,2,5,1,4从小到大排序从左侧开始,逐对比较3 ...
- 5亿整数的大文件,怎么排?
点击上方"方志朋",选择"置顶或者星标" 你的关注意义重大! 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: ...
- 面试:5 亿整数的大文件,来排个序?
点击上方蓝色"程序猿DD",选择"设为星标" 回复"资源"获取独家整理的学习资料! 作者 | xupengzhang 来源 | import ...
- 面试题热个身:5 亿整数的大文件,来排个序?
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: privatefi ...
- 5亿整数的大文件,怎么排序 ?面试被问傻!
来源 | 程序员追风 编辑 | Carol 出品| CSDN云计算(ID:CSDNcloud) 最近一家公司,面试官一上来,就问了我这么一个问题,我一脸懵逼,决定记录一下. 问题 给你1个文件bigd ...
- 多路归并排序_字节跳动面试:5 亿整数的大文件,如何排序 ?
最近,面试头条,面试官一上来,就问了我这么一个问题,我一脸懵逼,决定记录一下. 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: 6196302 355 ...
- 头条面试官:5 亿整数的大文件,如何排序 ?
点击上方蓝色"终端研发部",选择"设为星标" 学最好的别人,做最好的我们 作者:foreach_break 来源:https://blog.csdn.net/g ...
- php大文件怎么排序去重,简单实现大文件的排序和去重
有一道校招生的面试题,是要给一个很大的文件(不能全部放内存,比如1T)按行来排序和去重. 一种简单解决方案就是分而治之,先打大文件分词大小均匀的若干个小文件,然后对小文件排好序,最后再Merge所有的 ...
最新文章
- Nginx+Tomcat动静分离及Nginx优化(企业案例)
- 牛客网剑指offer编程实践11-20题
- HTTP缓存相关知识介绍
- bzoj1143/2718 祭祀river(最大独立集)
- python编程加油_编程学习资料,中途加油站,c++/java/python/小程序/人工智能......等等等等...
- 神经网络不学习的原因
- jmeter验证WEB页面的href链接请求
- c++ max函数_「C/C++」函数:定义、调用、参数传递
- SAP License:20个公司绝对不会告诉你的潜规则
- UVA11988 Broken Keyboard (a.k.a. Beiju Text)【输入输出+水题】
- 惠普打印机扫描软件安装
- Excel中按多个符号进行分列
- 最佳实践 | 如何提高落地页的转化率?这里有4个策略
- IntelliJ IDEA 之 Spring Boot (五) Freemarker 模板引擎渲染 Web 试图
- 批量重命名照片为序号递增的形式
- centos mysql安装mysql-devel报错
- CRM系统能解决哪些问题?
- 要成为一个好的前端架构师需要做的事情
- 30_java之DButils工具类
- Xcode framework 的编译及测试
热门文章
- vue新手入门——vue-cli搭建
- Think in AngularJS:对比jQuery和AngularJS的不同思维模式
- ORACLE HANDBOOK系列之十一:分区(Partition)
- 使用tmpfs存放MySQL的临时文件的问题一则
- Google Maps API 进级: GoogleMaps常用事件及应用思路1
- GridView相关问题汇总
- 调色板栅格数据使用GDAL时注意
- JAVA中的toString()方法的用法
- 【spring容器启动】之bean的实例化和初始化(文末附:spring循环依赖原理)
- 什么是覆盖索引?如何利用覆盖索引进行SQL语句优化?