大文件，5亿整数，怎么排？

最近，面试头条，面试官一上来，就问了我这么一个问题，我一脸懵逼，决定记录一下。

问题

给你1个文件bigdata，大小4663M，5亿个数（对的，你没听错，就是5亿），文件中的数据随机,如下一行一个整数：

6196302
3557681
6121580
2039345
2095006
1746773
7934312
2016371
7123302
8790171
2966901
...
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。

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;
    // lessThan
    int lt = low;
    // greaterThan
    int 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
 */
@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

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。

less bigdata.sorted.text
...
9999966
9999967
9999968
9999969
9999970
9999971
9999972
9999973
9999974
9999975
9999976
9999977
9999978
...

来源：https://blog.csdn.net/gsky1986/article/details/46499529