文章标题

10亿个字符串的排序问题

10亿个字符串排序

一、问题描述

有一个大文件，里面有十亿个字符串，乱序的，要求将这些字符串以字典的顺序排好序

二、解决思路

    将大文件切割成小文件，每个小文件内归并排序；    对所有的小文件进行归并排序——多重归并排序

三、解决方案

3.1 模拟产生10亿个随机字符

Java代码 public static void generateDate() throws IOException {      BufferedWriter writer = new BufferedWriter(new FileWriter(ORIGINALPATH));      Random random = new Random();      StringBuffer buffer = new StringBuffer(      "0123456789abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ");      int range = buffer.length();      int length = 1;      for (int i = 0; i < BIGDATALENGTH; i++) {          StringBuffer sb = new StringBuffer();          length = random.nextInt(20)+1;                 //System.out.println("length--->"+length);          for (int j = 0; j < length; j++) {                         //System.out.println("j--->"+j);              sb.append(buffer.charAt(random.nextInt(range)));          }          System.out.println("sb---->"+sb);          writer.write(sb.toString() + "\n");      }      writer.close();  }  

3.2 对大文件进行切割

Java代码/**  * 将原始数据分成几块 并排序 再保存到临时文件  * @throws IOException  */  public static void splitData() throws IOException {      @SuppressWarnings("resource")      BufferedReader br = new BufferedReader(new FileReader(ORIGINALPATH));      tempFiles = new File[BIGDATALENGTH / TEMPFILELENGTH];//将会产生的临时文件列表      for (int i = 0; i < tempFiles.length; i++) {          tempFiles[i] = new File(TEMPFILEPATH + "TempFile" + i + ".txt");          BufferedWriter writer = new BufferedWriter(new FileWriter(tempFiles[i]));          HashMap<Integer,String> hashMap = new HashMap<Integer,String>();//未排序          //每次读出TEMPFILELENGTH个文件 保存到smallLine中          for (int j = 1; j <= TEMPFILELENGTH; j++) {              String text = null;              if ((text = br.readLine()) != null) {                  hashMap.put(j, text);              }          }          hashMap = MergeSort.sort(hashMap);          for(int k=1; k<=TEMPFILELENGTH; k++){              writer.write(String.valueOf(hashMap.get(k))                      + System.getProperty("line.separator"));  //System.getProperty("line.separator")相当于\n          }          writer.close();      }  }  

3.3 对小文件进行递归归并

Java代码/**  * 多路归并排序  * @param files  * @throws IOException  */  public static void multiWaysMergeSort(String[] files) throws IOException {      System.out.println("归并文件-----第 "+mergeSortCount+" 次-----");      //当最后只有一个文件的时候 数据已经排序成功 直接复制保存到结果文件      if (files.length == 1) {          String lastFilePath = LASTFILEPATH + LASTFILENAME;          copyFile(files[0], lastFilePath, false);          //deleteFile(files[0]);          return;      }      for (int i = 0; i < files.length; i+=2) {  //开始合并两个相邻的文件 所以一次跳两个          if (i == files.length - 1) {  //这时候已经只剩下最后一个文件了 不需要合并 本趟归并结束              renameFile(files[i], i);              break;          }          //将br1 和 br2 写入到Write          BufferedReader br1 = new BufferedReader(new FileReader(files[i]));          BufferedReader br2 = new BufferedReader(new FileReader(files[i + 1]));          BufferedWriter writer = new BufferedWriter(new FileWriter(TEMPFILEPATH + "last_" + mergeSortCount + "_" + i + ".txt"));          String s1 = br1.readLine();          String s2 = br2.readLine();          while (s1 != null || s2 != null) {              if (s1 != null && s2 != null) {                  //都不为空 才有比较的必要                  int mergeResult = s1.compareTo(s2);                  if (mergeResult > 0) {//s1在s2后面                      writer.write(s2);                      writer.write(System.getProperty("line.separator"));                      s2 = br2.readLine();                  }                  if (mergeResult == 0) {//s1=s2                      writer.write(s1);                                   writer.write(System.getProperty("line.separator"));                      writer.write(s2);                                   writer.write(System.getProperty("line.separator"));                      //System.out.println("write time : " + writeTime++);                      s1 = br1.readLine();                      s2 = br2.readLine();                  }                  if (mergeResult < 0) {//s1在s2前面                      writer.write(s1);                                   writer.write(System.getProperty("line.separator"));                      s1 = br1.readLine();                  }              }              if (s1 == null && s2 != null) {                  writer.write(s2);                  writer.write(System.getProperty("line.separator"));                  s2 = br2.readLine();              }              if (s2 == null && s1 != null) {                  writer.write(s1);                 writer.write(System.getProperty("line.separator"));                  s1 = br1.readLine();              }          }          br1.close();          br2.close();  //          deleteFile(files[i]);  //          deleteFile(files[i + 1]);          writer.close();      }      mergeSortCount++;      multiWaysMergeSort(getTempFiles("last_" + (mergeSortCount-1) + "_"));  }

3.4 运行结果分析

①生成10亿个随机字符串，时间太久了，，字符串长度随机在[1,20]之间时，文件大小大概在10.7 GB (11,500,161,591 字节)

② 切割成小文件，小文件内归并排序，每个文件内的数据100万条时，随机选取五个排序时间如下：

一共发生了410832612 次对比一共发生了 899862656 次交换执行时间为3545毫秒

一共发生了429506513 次对比一共发生了 940765504 次交换执行时间为3512毫秒

一共发生了448181315 次对比一共发生了 981668352 次交换执行时间为3497毫秒

一共发生了466856137 次对比一共发生了 1022571200 次交换执行时间为3497毫秒

一共发生了485530473 次对比一共发生了 1063474048 次交换执行时间为3981毫秒

总共1000个文件切割耗时为

切割小文件所用时间—>4341734ms—>4341.734s—>72.36m—>1.206h

③ 小文件递归归并，1000个文件，

共发生了10次归并，

产生临时文件总共1999个，

总大小为127.8 GB (137,201,789,278 字节)，

产生结果文件11.6 GB (12,500,161,591 字节)

比源文件多了10亿个字节……

总耗时为—>7374129ms—>7374.129s—>122.9m—>2.048h

不得不提的是，最后执行结果成功，也不枉我苦苦等待

四、相关技术

4.1 归并排序

排序原理不多介绍，各种到处都有，如果一时不记得，看下面的原理图。秒懂。

4.2 文件读写

本程序很重要的一点就是对于文件的读写，Buffer的文件读写可以很大程度的改善速率

写操作：

BufferedWriter writer = new BufferedWriter(new FileWriter(PATH));

writer.write(“hhf\n”);

读操作：

BufferedReader br = new BufferedReader(new FileReader(PATH));

text = br.readLine()

五、关于优化

5.1分小文件时优化

前提：数据均匀，保证每个小文件大小不会超过内存的容量

处理：在分数据到小文件时，按字符串按首字母将其分到指定文件中，如A-C分配到1.txt，D-F分配到2.txt…….

优点：只需要小文件内数据排序，排序号后，即可将1.txt、2.txt、3.txt直接连接起来，极大的缩短了归并时间，相当于把递归归并变成了文件连接而已

缺点：前提不是很容易把握，若有一个小文件内的数据量大于内存的大小，则排序失败，存在一定的风险

5.2小文件内排序时优化

前提：保证每个小文件内数据量比较不是特别的大

处理：将小文件内的数据进行快速排序

优点：快排的时间效率是高于归并的

以下是测试数据

排序数量级 10 1000 100000

归并排序7ms 71ms 3331ms

快速排序6ms 52ms java.lang.StackOverflowError

缺点：缺点已经显示在测试数据内了，小文件内的数据量过大就可能导致当前线程的栈满