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個檔案bigdata，大小4663M，5億個數（對的，你沒聽錯，就是5億），檔案中的資料随機,如下一行一個整數：
6196302
3557681
6121580
2039345
2095006
1746773
7934312
2016371
7123302
8790171
2966901
...
7005375 複制
現在要對這個檔案進行排序，怎麼搞？
内部排序
先嘗試内排，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] 小于pivot -> 前部(first) a[lt..i-1] 等于 pivot -> 中部(middle)
* a[gt+1..n-1] 大于 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);
} 複制
歸并排序：
/**
* 小于等于這個值的時候，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;
// 小于等于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++];
}
}
} 複制
資料太多，遞歸太深 ->棧溢出？加大Xss？
資料太多，數組太長 -> OOM？加大Xmx?
耐心不足，沒跑出來.而且要将這麼大的檔案讀入記憶體，在堆中維護這麼大個資料量，還有内排中不斷的拷貝，對棧和堆都是很大的壓力，不具備通用性。
sort指令來跑
跑了多久呢？24分鐘。
為什麼這麼慢？
粗略的看下我們的資源：
記憶體 jvm-heap/stack，native-heap/stack,page-cache，block-buffer 外存 swap + 磁盤 資料量很大，函數調用很多，系統調用很多，核心/使用者緩沖區拷貝很多，髒頁回寫很多，io-wait很高，io很繁忙，堆棧資料不斷交換至swap，線程切換很多，每個環節的鎖也很多。
總之，記憶體吃緊，問磁盤要空間，髒資料持久化過多導緻cache頻繁失效，引發大量回寫，回寫線程高，導緻cpu大量時間用于上下文切換，一切，都很糟糕，是以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);
} 複制
nice! 跑了190秒，3分來鐘. 以核心記憶體4663M/32大小的空間跑出這麼個結果，而且大量時間在用于I/O，不錯。
問題是，如果這個時候突然記憶體條壞了1、2根，或者隻有極少的記憶體空間怎麼搞？
外部排序
該外部排序上場了，外部排序幹嘛的？
記憶體極少的情況下，利用分治政策，利用外存儲存中間結果，再用多路歸并來排序;
map-reduce的嫡系。
1、分
記憶體中維護一個極小的核心緩沖區memBuffer，将大檔案bigdata按行讀入，搜集到memBuffer滿或者大檔案讀完時，對memBuffer中的資料調用内排進行排序，排序後将有序結果寫入磁盤檔案bigdata.xxx.part.sorted. 循環利用memBuffer直到大檔案處理完畢，得到n個有序的磁盤檔案：
2、合
現在有了n個有序的小檔案，怎麼合并成1個有序的大檔案？把所有小檔案讀入記憶體，然後内排？(⊙o⊙)… no!
利用如下原理進行歸并排序：
我們舉個簡單的例子：
檔案1：3,6,9
檔案2：2,4,8
檔案3：1,5,7
第一回合：
檔案1的最小值：3 , 排在檔案1的第1行
檔案2的最小值：2，排在檔案2的第1行
檔案3的最小值：1，排在檔案3的第1行
那麼，這3個檔案中的最小值是：min(1,2,3) = 1
也就是說，最終大檔案的目前最小值，是檔案1、2、3的目前最小值的最小值，繞麼？
上面拿出了最小值1，寫入大檔案.
第二回合：
檔案1的最小值：3 , 排在檔案1的第1行
檔案2的最小值：2，排在檔案2的第1行
檔案3的最小值：5，排在檔案3的第2行
那麼，這3個檔案中的最小值是：min(5,2,3) = 2
将2寫入大檔案.
也就是說，最小值屬于哪個檔案，那麼就從哪個檔案當中取下一行資料.（因為小檔案内部有序，下一行資料代表了它目前的最小值） 複制
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
... 複制
來源：https://blog.csdn.net/gsky1986/article/details/46499529