來源：foreach_break
cnblogs.com/foreach-break/p/external_sort.html
問題
給你1個文件bigdata，大小4663M在塔，5億個數(shù)幻件，文件中的數(shù)據(jù)隨機,如下一行一個整數(shù)：
6196302
3557681
6121580
2039345
2095006
1746773
7934312
2016371
7123302
8790171
2966901
...
7005375
現(xiàn)在要對這個文件進(jìn)行排序，怎么搞蛔溃？
內(nèi)部排序
先嘗試內(nèi)排绰沥，選2種排序方式：
3路快排：
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;
? ? ? ? //當(dāng)序列非常小，用插入排序
? ? ? ? if(n <= cutoff) {
? ? ? ? ? ? InsertionSort insertionSort = SortFactory.createInsertionSort();
? ? ? ? ? ? insertionSort.perform(a,low,high);
? ? ? ? ? ? //當(dāng)序列中小時贺待，使用median3
? ? ? ? }else if(n <= 100) {
? ? ? ? ? ? int m = median3(a,low,low + (n >>> 1),high);
? ? ? ? ? ? exchange(a,m,low);
? ? ? ? ? ? //當(dāng)序列比較大時徽曲，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 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 -> 后部(final)
? ? ? ? *
? ? ? ? *? ?a[i..gt] 待考察區(qū)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(jìn)行排序
?*
?* @param a 給定元素序列
?*/
@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 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++];
? ? ? ? }
? ? }
}
數(shù)據(jù)太多麸塞，遞歸太深 ->棧溢出秃臣？加大Xss？
數(shù)據(jù)太多哪工，數(shù)組太長 -> OOM奥此？加大Xmx?
耐心不足，沒跑出來.而且要將這么大的文件讀入內(nèi)存雁比，在堆中維護(hù)這么大個數(shù)據(jù)量稚虎，還有內(nèi)排中不斷的拷貝，對棧和堆都是很大的壓力偎捎，不具備通用性蠢终。
sort命令來跑
sort -n bigdata -o bigdata.sorted
跑了多久呢？24分鐘.
為什么這么慢茴她？
粗略的看下我們的資源：
內(nèi)存
jvm-heap/stack寻拂，native-heap/stack,page-cache，block-buffer
外存
swap + 磁盤
數(shù)據(jù)量很大败京，函數(shù)調(diào)用很多兜喻，系統(tǒng)調(diào)用很多，內(nèi)核/用戶緩沖區(qū)拷貝很多赡麦，臟頁回寫很多朴皆，io-wait很高帕识，io很繁忙，堆棧數(shù)據(jù)不斷交換至swap遂铡，線程切換很多肮疗，每個環(huán)節(jié)的鎖也很多.
總之，內(nèi)存吃緊扒接，問磁盤要空間伪货，臟數(shù)據(jù)持久化過多導(dǎo)致cache頻繁失效，引發(fā)大量回寫钾怔，回寫線程高碱呼，導(dǎo)致cpu大量時間用于上下文切換，一切宗侦，都很糟糕愚臀，所以24分鐘不細(xì)看了，無法忍受.
很多問題其實答案很簡單矾利，但是背后的思考和邏輯不簡單姑裂，要做到知其然還要知其所以然。如果想學(xué)習(xí)Java工程化男旗、高性能及分布式舶斧、深入淺出。性能調(diào)優(yōu)察皇、Spring茴厉，MyBatis，Netty源碼分析的朋友點擊我的資料加群 561614305??让网，群里有阿里大牛直播講解技術(shù)呀忧，以及Java大型互聯(lián)網(wǎng)技術(shù)的視頻免費分享給大家。
位圖法
private BitSet bits;
public void perform(
? ? ? ? String largeFileName,
? ? ? ? int total,
? ? ? ? String destLargeFileName,
? ? ? ? Castor castor,
? ? ? ? int readerBufferSize,
? ? ? ? int writerBufferSize,
? ? ? ? boolean asc) throws IOException {
? ? System.out.println("BitmapSort Started.");
? ? long start = System.currentTimeMillis();
? ? bits = new BitSet(total);
? ? InputPart largeIn = PartFactory.createCharBufferedInputPart(largeFileName, readerBufferSize);
? ? OutputPart 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秒溃睹，3分來鐘.
以核心內(nèi)存4663M/32大小的空間跑出這么個結(jié)果而账，而且大量時間在用于I/O，不錯.
問題是因篇，如果這個時候突然內(nèi)存條壞了1泞辐、2根，或者只有極少的內(nèi)存空間怎么搞竞滓？
外部排序
該外部排序上場了.
外部排序干嘛的咐吼？
內(nèi)存極少的情況下，利用分治策略商佑，利用外存保存中間結(jié)果锯茄，再用多路歸并來排序;
map-reduce的嫡系.
1.分
內(nèi)存中維護(hù)一個極小的核心緩沖區(qū)memBuffer，將大文件bigdata按行讀入，搜集到memBuffer滿或者大文件讀完時肌幽，對memBuffer中的數(shù)據(jù)調(diào)用內(nèi)排進(jìn)行排序晚碾，排序后將有序結(jié)果寫入磁盤文件bigdata.xxx.part.sorted.
循環(huán)利用memBuffer直到大文件處理完畢，得到n個有序的磁盤文件：
2.合
現(xiàn)在有了n個有序的小文件喂急，怎么合并成1個有序的大文件格嘁？
把所有小文件讀入內(nèi)存，然后內(nèi)排廊移？
(⊙o⊙)…
no!
利用如下原理進(jìn)行歸并排序：
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糕簿，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
那么狡孔，這3個文件中的最小值是：min(1,2,3) = 1
也就是說懂诗，最終大文件的當(dāng)前最小值，是文件1苗膝、2响禽、3的當(dāng)前最小值的最小值，繞么荚醒？
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隆嗅，排在文件2的第1行
文件3的最小值：5界阁，排在文件3的第2行
那么，這3個文件中的最小值是：min(5,2,3) = 2
將2寫入大文件.
也就是說胖喳，最小值屬于哪個文件泡躯，那么就從哪個文件當(dāng)中取下一行數(shù)據(jù).（因為小文件內(nèi)部有序，下一行數(shù)據(jù)代表了它當(dāng)前的最小值）
最終的時間丽焊，跑了771秒较剃，13分鐘左右.
less bigdata.sorted.text
...
9999966
9999967
9999968
9999969
9999970
9999971
9999972
9999973
9999974
9999975
9999976
9999977
9999978
...
