面试热身：5 亿整数的大文件，排个序？

向右看齐 2023-07-03 06:08 39阅读 0赞

公众号后台回复“**面试**”，获取精品学习资料

![format_png][]

扫描下方海报了解**专栏详情**

![format_png 1][]

![format_png 2][]

来源：

https://www.cnblogs.com/xupengzhang/p/7966755.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：

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：

private final int 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;
                }
                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  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
            }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;
            //lessThan
            int lt = low;
            //greaterThan
            int gt = high;
            //中心点
            Comparable 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
         */
        @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 ##

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.

![format_png 3][]

![format_png 4][]

### 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：

![format_png 5][]

### 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：

![format_png 6][]

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.

**END**

**如有收获，请划至底部，点击“在看”，谢****谢****！**

![format_png 2][]

欢迎长按下图关注公众号**石杉的架构笔记**

![format_png 7][]

**BAT架构经验倾囊相授**

[format_png]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X2pwZy8xSjZJYkljUENMYXkyZ1VpY284aWJEclM0QVBuakVOaWFtOEVpY1VablE4YjJydDJ2MTNjOTFTaWF6bTg2QUtXd3RRemVIWUhna0ZtdEtob0NIbWJXYWZVQmtBLzY0MA?x-oss-process=image/format,png
[format_png 1]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X2pwZy8xSjZJYkljUENMWUZkTGlhaWF1aWEzQlhVOUZCOWdEdXo2TXlvSUViVnpWd2toRFRYUklkWjJPdlk2TGcxWGJMNTJoQ0FLbzZlSG82S3dkQTBVWWhyMm1zUS82NDA?x-oss-process=image/format,png
[format_png 2]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy8xSjZJYkljUENMYW5HMm56alZab3YxVmlibVBYUjdsRGliRmpSZFR2SDFpYUR6OWljNEgzeFJaQ3o3Qk01NjNyRkZmdlJ1a3pYN3VoT3FYYzh5RGhFWnFpY0ZRLzY0MA?x-oss-process=image/format,png
[format_png 3]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9ydEo1TGh4eHp3bFFIb09sZ05xWXE5ZzdlUWIzT1RqTGRSYVc4QVpCY2ZoeGljMlIycjFVRGljam9LaWNVSTQwQWF1R3N1ZnlKd3JpYTlVQmNlazk1Z21QM1EvNjQw?x-oss-process=image/format,png
[format_png 4]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9ydEo1TGh4eHp3bFFIb09sZ05xWXE5ZzdlUWIzT1RqTGozZ2VhM2lhWHF3TmdEUTNpYXM0R3F2VjFGczZOMFFENnBDUUFFVFlNamF4S05tN0pJZWIzMVBRLzY0MA?x-oss-process=image/format,png
[format_png 5]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9ydEo1TGh4eHp3bFFIb09sZ05xWXE5ZzdlUWIzT1RqTEoxVUR2SnR4VFd3eGhJRE9BcmRWOTdiekJvbVhLM0hmS1pVbHRjZFpKaWNRb254a2JpY2REVjBBLzY0MA?x-oss-process=image/format,png
[format_png 6]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9ydEo1TGh4eHp3bFFIb09sZ05xWXE5ZzdlUWIzT1RqTGdxS2pLb2dNV0lQaWN6Y0JCRllRNXpVUkZGemljQkxpY0dtWGZPaWNhcVFHYVdaNkhNZEhzUG1DUVEvNjQw?x-oss-process=image/format,png
[format_png 7]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X2pwZy8xSjZJYkljUENMYkw1T2JpYlh4aWJzaWNPaWJ4bFZ6c05ZaWFLTmhCMEpVM29iUzdkWjFFSFU0VVhpY0ppY25LcGlhTHhyY01DblRreWJDOFh0NzZTWjhXR3JaRGVnLzY0MA?x-oss-process=image/format,png