大数据多路归并排序

多路归并排序

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="margin:0px; padding:5px!important; color:rgb(225,230,220); display:block; 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-color:rgb(35,35,35)!important">less bigdata.sorted.text
...
<span class="hljs-number" style="margin:0px; padding:0px; color:rgb(0,167,207)">9999966</span>
<span class="hljs-number" style="margin:0px; padding:0px; color:rgb(0,167,207)">9999967</span>
<span class="hljs-number" style="margin:0px; padding:0px; color:rgb(0,167,207)">9999968</span>
<span class="hljs-number" style="margin:0px; padding:0px; color:rgb(0,167,207)">9999969</span>
<span class="hljs-number" style="margin:0px; padding:0px; color:rgb(0,167,207)">9999970</span>
<span class="hljs-number" style="margin:0px; padding:0px; color:rgb(0,167,207)">9999971</span>
<span class="hljs-number" style="margin:0px; padding:0px; color:rgb(0,167,207)">9999972</span>
<span class="hljs-number" style="margin:0px; padding:0px; color:rgb(0,167,207)">9999973</span>
<span class="hljs-number" style="margin:0px; padding:0px; color:rgb(0,167,207)">9999974</span>
<span class="hljs-number" style="margin:0px; padding:0px; color:rgb(0,167,207)">9999975</span>
<span class="hljs-number" style="margin:0px; padding:0px; color:rgb(0,167,207)">9999976</span>
<span class="hljs-number" style="margin:0px; padding:0px; color:rgb(0,167,207)">9999977</span>
<span class="hljs-number" style="margin:0px; padding:0px; color:rgb(0,167,207)">9999978</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;
//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

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.