大数据多路归并排序
来源:互联网 发布:弹丸论破v3 知乎 编辑:程序博客网 时间:2024/06/07 04:09
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:
<code class="hljs" style="display: block; padding: 5px !important; color: rgb(225, 230, 220); margin: 0px; overflow-x: auto; line-height: 1.8 !important; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace !important; font-size: 0.9em !important; border: 1px solid rgb(204, 204, 204) !important; background-image: initial; background-attachment: initial; background-color: rgb(35, 35, 35) !important; background-size: initial; background-origin: initial; background-clip: initial; background-position: initial; background-repeat: initial;"><span class="hljs-number" style="color: rgb(0, 167, 207); margin: 0px; padding: 0px;">6196302</span><span class="hljs-number" style="color: rgb(0, 167, 207); margin: 0px; padding: 0px;">3557681</span><span class="hljs-number" style="color: rgb(0, 167, 207); margin: 0px; padding: 0px;">6121580</span><span class="hljs-number" style="color: rgb(0, 167, 207); margin: 0px; padding: 0px;">2039345</span><span class="hljs-number" style="color: rgb(0, 167, 207); margin: 0px; padding: 0px;">2095006</span><span class="hljs-number" style="color: rgb(0, 167, 207); margin: 0px; padding: 0px;">1746773</span><span class="hljs-number" style="color: rgb(0, 167, 207); margin: 0px; padding: 0px;">7934312</span><span class="hljs-number" style="color: rgb(0, 167, 207); margin: 0px; padding: 0px;">2016371</span><span class="hljs-number" style="color: rgb(0, 167, 207); margin: 0px; padding: 0px;">7123302</span><span class="hljs-number" style="color: rgb(0, 167, 207); margin: 0px; padding: 0px;">8790171</span><span class="hljs-number" style="color: rgb(0, 167, 207); margin: 0px; padding: 0px;">2966901</span>...<span class="hljs-number" style="color: rgb(0, 167, 207); margin: 0px; padding: 0px;">7005375</span></code>
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:
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;//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;//lessThanint lt = low;//greaterThanint gt = high;//中心点Comparable<T> 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 */@Overridepublic <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 <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++];}}}
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
sort -n bigdata -o bigdata.sorted
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.
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.
<code class="hljs" style="display: block; padding: 5px !important; color: rgb(225, 230, 220); margin: 0px; overflow-x: auto; line-height: 1.8 !important; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace !important; font-size: 0.9em !important; border: 1px solid rgb(204, 204, 204) !important; background-image: initial; background-attachment: initial; background-color: rgb(35, 35, 35) !important; background-size: initial; background-origin: initial; background-clip: initial; background-position: initial; background-repeat: initial;">less bigdata.sorted.text...<span class="hljs-number" style="color: rgb(0, 167, 207); margin: 0px; padding: 0px;">9999966</span><span class="hljs-number" style="color: rgb(0, 167, 207); margin: 0px; padding: 0px;">9999967</span><span class="hljs-number" style="color: rgb(0, 167, 207); margin: 0px; padding: 0px;">9999968</span><span class="hljs-number" style="color: rgb(0, 167, 207); margin: 0px; padding: 0px;">9999969</span><span class="hljs-number" style="color: rgb(0, 167, 207); margin: 0px; padding: 0px;">9999970</span><span class="hljs-number" style="color: rgb(0, 167, 207); margin: 0px; padding: 0px;">9999971</span><span class="hljs-number" style="color: rgb(0, 167, 207); margin: 0px; padding: 0px;">9999972</span><span class="hljs-number" style="color: rgb(0, 167, 207); margin: 0px; padding: 0px;">9999973</span><span class="hljs-number" style="color: rgb(0, 167, 207); margin: 0px; padding: 0px;">9999974</span><span class="hljs-number" style="color: rgb(0, 167, 207); margin: 0px; padding: 0px;">9999975</span><span class="hljs-number" style="color: rgb(0, 167, 207); margin: 0px; padding: 0px;">9999976</span><span class="hljs-number" style="color: rgb(0, 167, 207); margin: 0px; padding: 0px;">9999977</span><span class="hljs-number" style="color: rgb(0, 167, 207); margin: 0px; padding: 0px;">9999978</span>...</code><code class="hljs" style="display: block; padding: 5px !important; color: rgb(225, 230, 220); margin: 0px; overflow-x: auto; line-height: 1.8 !important; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace !important; font-size: 0.9em !important; border: 1px solid rgb(204, 204, 204) !important; background-image: initial; background-attachment: initial; background-color: rgb(35, 35, 35) !important; background-size: initial; background-origin: initial; background-clip: initial; background-position: initial; background-repeat: initial;"></code><code class="hljs" style="display: block; padding: 5px !important; color: rgb(225, 230, 220); margin: 0px; overflow-x: auto; line-height: 1.8 !important; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace !important; font-size: 0.9em !important; border: 1px solid rgb(204, 204, 204) !important; background-image: initial; background-attachment: initial; background-color: rgb(35, 35, 35) !important; background-size: initial; background-origin: initial; background-clip: initial; background-position: initial; background-repeat: initial;">原文链接:http://blog.csdn.net/wongson/article/details/49209903</code>
- 大数据多路归并排序
- 大数据多路归并排序
- 大数据多路归并排序
- 大数据多路归并排序
- 大数据的排序策略,分而治之,多路归并
- 面试中的大数据多路归并排序
- (10)大数据外存归并排序
- 多路归并 外排序 大文件排序 海量数据处理
- 大数据的处理策略,分而治之,多路归并
- 大数据-多路归并-败者树-文件流
- Java 多路归并与大数据位图算法
- 多路归并排序
- 多路归并排序
- 多路归并排序
- 多路归并排序
- 多路归并排序
- 多路归并排序
- 多路归并排序 外排序 大文件排序 java实现
- Apache Hive2.0的新特性介绍
- 复合数据类型
- HDU-5879-Cure-打表模拟(水)
- 简单电话系统的电话数量分析
- win7&GItblit&Git
- 大数据多路归并排序
- 2016 UESTC Training for Data Structures(3)
- POJ 1273 Drainage Ditches (网络流)
- leetcode小白解题记录——第九题
- 【机器学习】【计算机视觉】人体行为识别特征点提取小综述
- MySQL服务器优化的大体思路
- 232_自定义一个圆View
- 直流电机的PWM调速
- 迷宫寻宝(一)