在Java中对大文件进行排序

Question

我有一个文件，由一行组成：

 1 , 1 2 , 1 3 6 , 4 ,...

在此表示中，空格分隔整数和逗号。 这个字符串太大了，我无法使用 RandomAccessFile.readLine() 读取它（几乎需要 4 GB）。这样我就创建了一个缓冲区，它可以包含 10 个整数。我的任务是对字符串中的所有整数进行排序。

你能帮忙吗？

编辑

@Oscar Reyes

我需要将一些整数序列写入文件，然后从中读取。其实我也不知道，该怎么办。我是新手。所以我决定用chars来写整数，整数之间的分隔符是“,”，序列之间的分隔符是“\n\r”。所以我创造了一个可以读取它的怪物：

public BinaryRow getFilledBuffer(String filePath, long offset) throws IOException{
    mainFile = new RandomAccessFile(filePath, "r");

    if (mainFile.length() == 0){
        return new BinaryRow();
    }

    StringBuilder str = new StringBuilder();

    mainFile.seek(mainFile.length()-4); //that is "\n" symbol
    char chN = mainFile.readChar();

    mainFile.seek(offset);
    int i = 0;
    char nextChar = mainFile.readChar();
    while (i < 11 && nextChar != chN){
        str.append(nextChar);
        if (nextChar == ','){
            i++;
            if (i == 10){
                break;
            }
        }
        nextChar = mainFile.readChar();
    }

    if (nextChar == chN){
        position = -1;
    }else{
        position = mainFile.getFilePointer();
    }

    BinaryRow br = new BinaryRow();

    StringBuilder temp = new StringBuilder();

    for (int j = 0; j < str.length(); j++){
        if ((str.charAt(j) != ',')){
            temp.append(str.charAt(j));
            if (j == str.length() - 1){
                br.add(Integer.parseInt(temp.toString()));
            }   
        }else{
            br.add(Integer.parseInt(temp.toString()));
            temp.delete(0, temp.length());
        }
    }


    mainFile.close();
    return br;

}

如果你能建议如何去做，请去做 =)

Answer 1

这正是 QuickSort 的起源，当时没有足够的 RAM 来在内存中排序，所以他们的程序是将部分结果存储在磁盘中。

所以你能做的就是：

1. 选择一个支点。
2. 按顺序读取文件，并将低于数据透视表的数据存储在 temp_file_1 中，将大于或等于数据透视表的数据存储在 temp_file_2 中 在
3. temp_file_1 中重复该过程，并将结果附加到 result_file
4. 对 temp_file_2 重复该过程，并将结果附加到 result_file

当部分足够小时 ( 像2一样直接交换它们足以在内存中排序）

这样你就可以分块排序并将部分结果存储在临时文件中，你将得到一个包含结果的最终文件已排序。

编辑 我告诉过你可以进行快速排序。

毕竟，您似乎需要一些额外的空间来存放临时文件。

这就是我所做的。

我创建了一个 40 MB 的文件，其中的数字以逗号分隔。

我将其命名为input：

input http://img200.imageshack。 us/img200/5129/capturadepantalla201003t.png

_{输入为 40mb}

在排序过程中，会创建包含“大于”、“小于”值的 tmp 文件，并且在排序时完成后，这些值将发送到一个名为（猜猜是什么）output

处理 http://img200.imageshack.us/img200/1672/capturadepantalla201003y.png

_{使用部分结果创建临时文件}

最后所有 tmp 文件都被删除，结果是保存在文件“输出”中，并具有正确排序的数字序列：

输出 http://img203 .imageshack.us/img203/5950/capturadepantalla201003w.png

_{最后创建了“输出”文件，注意它也是 40 mb}

这是完整的程序。

import java.io.*;
import java.util.*;

public class FileQuickSort {

    static final int MAX_SIZE = 1024*1024*16; // 16 megabytes in this sample, the more memory your program has, less disk writing will be used. 
    public static void main( String [] args ) throws IOException {
        fileQuickSort( new File("input"), new File("output"));
        System.out.println();
    }

    //
    static void fileQuickSort( File inputFile, File outputFile ) throws IOException {
        Scanner scanner = new Scanner( new BufferedInputStream( new FileInputStream( inputFile ), MAX_SIZE));
        scanner.useDelimiter(",");

        if( inputFile.length() > MAX_SIZE && scanner.hasNextInt()) {
            System.out.print("-");

            // put them in two buckets... 
            File lowerFile = File.createTempFile("quicksort-","-lower.tmp",new File("."));
            File greaterFile = File.createTempFile("quicksort-","-greater.tmp", new File("."));
            PrintStream  lower   = createPrintStream(lowerFile);
            PrintStream greater  = createPrintStream(greaterFile);
            PrintStream target = null;
            int pivot = scanner.nextInt();

            // Read the file and put the values greater than in a file 
            // and the values lower than in other 
            while( scanner.hasNextInt() ){
                int current = scanner.nextInt();

                if( current < pivot ){
                    target = lower;
                } else {
                    target = greater;
                }
                target.printf("%d,",current);
            }
            // avoid dropping the pivot
            greater.printf("%d,",pivot);
            // close the stream before reading them again
            scanner.close();
            lower.close();
            greater.close();
            // sort each part
            fileQuickSort( lowerFile , outputFile );
            lowerFile.delete();
            fileQuickSort( greaterFile   , outputFile);
            greaterFile.delete();

            // And you're done.
        } else {

            // Else , if you have enough RAM to process it
            // 
            System.out.print(".");
            List<Integer> smallFileIntegers = new ArrayList<Integer>();
            // Read it
            while( scanner.hasNextInt() ){
                smallFileIntegers.add( scanner.nextInt() );
            }
            scanner.close();

            // Sort them in memory 
            Collections.sort( smallFileIntegers );

            PrintStream out = createPrintStream( outputFile);
            for( int i : smallFileIntegers ) {
                out.printf("%d,",i);
            }
            out.close();
            // And your're done
        }
    }
    private static PrintStream createPrintStream( File file ) throws IOException {
        boolean append = true;
        return new PrintStream(  new BufferedOutputStream( new FileOutputStream( file, append )));
    }
}

文件的格式是 number,number,number,number

您当前的格式是：number , numb , be r

要解决此问题，您只需全部阅读并跳过空白。

为此添加另一个问题。

Answer 2

将其分块读取到内存（每个块 100 MB？），一次一个块，对其进行排序并保存到磁盘。

然后打开所有有序块，读取每个块的第一个元素，并将最低的元素附加到输出。然后读取刚刚读取的块的下一个元素并重复。

合并时，您可以保留从每个块读取的最后一个 int 的数组，然后迭代它以获得最低的值。然后，将刚刚使用的值替换为从中获取的块中的下一个元素。

example with chunks [1, 5, 16] [2, 9, 14] [3, 8, 10]
array [(1), 2, 3], lowest 1 --> to output
      [5, (2), 3], lowest 2 --> to output
      [5, 9, (3)], lowest 3 -->
      [(5), 9, 8],        5
      [16, 9, (8)],       8
      [16, (9), 10],      9 
...