如何对非常大的文件进行排序

Question

我有一些文件应该根据每行开头的 id 进行排序。 文件大小约为 2-3 GB。

我尝试将所有数据读入 ArrayList 并对其进行排序。但内存不足以保留它们全部。它不起作用。

线条看起来像

0052304 0000004000000000000000000000000000000041 约翰·泰迪 000023
0022024 0000004000000000000000000000000000000041 乔治家族 00013

我怎样才能对文件进行排序？

Answer 1

这不完全是 Java 问题。您需要研究一种有效的算法来对未完全读入内存的数据进行排序。对归并排序进行一些修改可以实现这一点。

看看这个：
http://en.wikipedia.org/wiki/Merge_sort

和：
http://en.wikipedia.org/wiki/External_sorting

基本上，这里的想法是打破将文件分成较小的部分，对它们进行排序（使用合并排序或其他方法），然后使用合并排序中的合并来创建新的排序文件。

Answer 2

由于您的记录已经采用平面文件文本格式，因此您可以将它们通过管道传输到 UNIX sort(1) 例如 sort -n -t' ' -k1,1 sort -n -t' ' -k1,1 sort -n -t' ' -k1,1 sort -n -t' ' -k1,1 sort输入>输出。它将自动对数据进行分块，并使用可用内存和 /tmp 执行合并排序。如果您需要的空间多于可用内存，请在命令中添加 -T /tmpdir。

很有趣的是，当您可以使用在每个平台上都可用且已存在数十年的工具时，每个人都告诉您下载巨大的 C# 或 Java 库或自己实现合并排序。

Answer 3

您需要一个外部合并排序来做到这一点。 这里是它的一个 Java 实现，可以对非常大的文件进行排序。

Answer 4

您可以只读取行开始位置的键和索引（也可能还有长度），而不是将所有数据一次加载到内存中，例如，

class Line {
   int key, length;
   long start;
}

这将每行使用大约 40 个字节。

对该数组进行排序后，您可以使用 RandomAccessFile 按行出现的顺序读取行。

注意：由于您将随机访问磁盘，而不是使用内存，因此速度可能会非常慢。典型的磁盘需要 8 毫秒来随机访问数据，如果有 1000 万行，则大约需要一天的时间。 （这绝对是最坏的情况）在内存中大约需要 10 秒。

Answer 5

您需要执行外部排序。这是 Hadoop/MapReduce 背后的驱动思想，只是它不考虑分布式集群并在单个节点上工作。

为了获得更好的性能，您应该使用 Hadoop/Spark。

根据您的系统更改此行。 fpath 是您的一个大输入文件（使用 20GB 进行测试）。 shared 路径是存储执行日志的位置。 fdir 是存储和合并中间文件的位置。根据您的机器更改这些路径。

public static final String fdir = "/tmp/";
    public static final String shared = "/exports/home/schatterjee/cs553-pa2a/";
    public static final String fPath = "/input/data-20GB.in";
    public static final String opLog = shared+"Mysort20GB.log";

然后运行以下程序。最终排序的文件将在 fdir 路径中创建，名称为 op401。最后一行 Runtime.getRuntime().exec("valsort " + fdir + "op" + (treeHeight*100)+1 + " > " + opLog); 检查输出是否已排序或不是 。如果您没有安装 valsort 或者输入文件不是使用 gensort(http://www .ordinal.com/gensort.html) 。

另外，不要忘记将 int totalLines = 200000000; 更改为文件中的总行数。线程计数 (int threadCount = 16) 应始终为 2 的幂且足够大，以便（总大小 * 2 / 线程数）数据量可以驻留在内存中。更改线程数将更改最终输出文件的名称。对于 16，它将是 op401，对于 32，它将是 op501，对于 8，它将是 op301 等等。

享受吧。

    import java.io.*;
    import java.nio.file.Files;
    import java.nio.file.Paths;
    import java.util.ArrayList;
    import java.util.Comparator;
    import java.util.stream.Stream;


    class SplitFile extends Thread {
        String fileName;
        int startLine, endLine;

        SplitFile(String fileName, int startLine, int endLine) {
            this.fileName = fileName;
            this.startLine = startLine;
            this.endLine = endLine;
        }

        public static void writeToFile(BufferedWriter writer, String line) {
            try {
                writer.write(line + "\r\n");
            } catch (Exception e) {
                throw new RuntimeException(e);
            }
        }

        public void run() {
            try {
                BufferedWriter writer = Files.newBufferedWriter(Paths.get(fileName));
                int totalLines = endLine + 1 - startLine;
                Stream<String> chunks =
                        Files.lines(Paths.get(Mysort20GB.fPath))
                                .skip(startLine - 1)
                                .limit(totalLines)
                                .sorted(Comparator.naturalOrder());

                chunks.forEach(line -> {
                    writeToFile(writer, line);
                });
                System.out.println(" Done Writing " + Thread.currentThread().getName());
                writer.close();
            } catch (Exception e) {
                System.out.println(e);
            }
        }
    }

    class MergeFiles extends Thread {
        String file1, file2, file3;
        MergeFiles(String file1, String file2, String file3) {
            this.file1 = file1;
            this.file2 = file2;
            this.file3 = file3;
        }

        public void run() {
            try {
                System.out.println(file1 + " Started Merging " + file2 );
                FileReader fileReader1 = new FileReader(file1);
                FileReader fileReader2 = new FileReader(file2);
                FileWriter writer = new FileWriter(file3);
                BufferedReader bufferedReader1 = new BufferedReader(fileReader1);
                BufferedReader bufferedReader2 = new BufferedReader(fileReader2);
                String line1 = bufferedReader1.readLine();
                String line2 = bufferedReader2.readLine();
                //Merge 2 files based on which string is greater.
                while (line1 != null || line2 != null) {
                    if (line1 == null || (line2 != null && line1.compareTo(line2) > 0)) {
                        writer.write(line2 + "\r\n");
                        line2 = bufferedReader2.readLine();
                    } else {
                        writer.write(line1 + "\r\n");
                        line1 = bufferedReader1.readLine();
                    }
                }
                System.out.println(file1 + " Done Merging " + file2 );
                new File(file1).delete();
                new File(file2).delete();
                writer.close();
            } catch (Exception e) {
                System.out.println(e);
            }
        }
    }

    public class Mysort20GB {
        //public static final String fdir = "/Users/diesel/Desktop/";
        public static final String fdir = "/tmp/";
        public static final String shared = "/exports/home/schatterjee/cs553-pa2a/";
        public static final String fPath = "/input/data-20GB.in";
        public static final String opLog = shared+"Mysort20GB.log";

        public static void main(String[] args) throws Exception{
            long startTime = System.nanoTime();
            int threadCount = 16; // Number of threads
            int totalLines = 200000000;
            int linesPerFile = totalLines / threadCount;
            ArrayList<Thread> activeThreads = new ArrayList<Thread>();

            for (int i = 1; i <= threadCount; i++) {
                int startLine = i == 1 ? i : (i - 1) * linesPerFile + 1;
                int endLine = i * linesPerFile;
                SplitFile mapThreads = new SplitFile(fdir + "op" + i, startLine, endLine);
                activeThreads.add(mapThreads);
                mapThreads.start();
            }
            activeThreads.stream().forEach(t -> {
                try {
                    t.join();
                } catch (Exception e) {
                }
            });

            int treeHeight = (int) (Math.log(threadCount) / Math.log(2));

            for (int i = 0; i < treeHeight; i++) {
                ArrayList<Thread> actvThreads = new ArrayList<Thread>();

for (int j = 1, itr = 1; j <= threadCount / (i + 1); j += 2, itr++) {
                    int offset = i * 100;
                    String tempFile1 = fdir + "op" + (j + offset);
                    String tempFile2 = fdir + "op" + ((j + 1) + offset);
                    String opFile = fdir + "op" + (itr + ((i + 1) * 100));

                    MergeFiles reduceThreads =
                            new MergeFiles(tempFile1,tempFile2,opFile);
                    actvThreads.add(reduceThreads);
                    reduceThreads.start();
                }
                actvThreads.stream().forEach(t -> {
                    try {
                        t.join();
                    } catch (Exception e) {
                    }
                });
            }
            long endTime = System.nanoTime();
            double timeTaken = (endTime - startTime)/1e9;
            System.out.println(timeTaken);
            BufferedWriter logFile = new BufferedWriter(new FileWriter(opLog, true));
            logFile.write("Time Taken in seconds:" + timeTaken);
            Runtime.getRuntime().exec("valsort  " + fdir + "op" + (treeHeight*100)+1 + " > " + opLog);
            logFile.close();
        }
    }

Answer 6

使用 java 库 big-sorter 它可用于对非常大的文本或二进制文件进行排序。

以下是您的具体问题的实现方式：

// write the input to a file
String s = "0052304 0000004000000000000000000000000000000041   John Teddy   000023\n"
        + "0022024 0000004000000000000000000000000000000041   George Clan 00013";
File input = new File("target/input");
Files.write(input.toPath(),s.getBytes(StandardCharsets.UTF_8), StandardOpenOption.WRITE);

File output = new File("target/output");


//sort the input
Sorter
    .serializerLinesUtf8()
    .comparator((a,b) -> {
        String ida = a.substring(0, a.indexOf(' '));
        String idb = b.substring(0, b.indexOf(' '));
        return ida.compareTo(idb);
    }) 
    .input(input) 
    .output(output) 
    .sort();

// display the output
Files.readAllLines(output.toPath()).forEach(System.out::println);

输出：

0022024 0000004000000000000000000000000000000041   George Clan 00013
0052304 0000004000000000000000000000000000000041   John Teddy   000023

Answer 7

您可以使用 SQL Lite 文件数据库，将数据加载到数据库，然后让它排序并为您返回结果。

优点：无需担心编写最好的排序算法。

缺点：需要磁盘空间，处理速度较慢。

https://sites.google.com/site/arjunwebworld /Home/programming/排序大数据文件

Answer 8

您需要做的是通过流对文件进行分块并单独处理它们。然后您可以将文件合并在一起，因为它们已经排序，这类似于合并排序的工作原理。

这个问题的答案将很有价值： Stream large files

Answer 9

操作系统带有强大的文件排序实用程序。一个调用 bash 脚本的简单函数应该会有所帮助。

public static void runScript(final Logger log, final String scriptFile) throws IOException, InterruptedException {
    final String command = scriptFile;
    if (!new File (command).exists() || !new File(command).canRead() || !new File(command).canExecute()) {
        log.log(Level.SEVERE, "Cannot find or read " + command);
        log.log(Level.WARNING, "Make sure the file is executable and you have permissions to execute it. Hint: use \"chmod +x filename\" to make it executable");
        throw new IOException("Cannot find or read " + command);
    }
    final int returncode = Runtime.getRuntime().exec(new String[] {"bash", "-c", command}).waitFor();
    if (returncode!=0) {
        log.log(Level.SEVERE, "The script returned an Error with exit code: " + returncode);
        throw new IOException();
    }

}

Answer 10

我使用自己的逻辑并按格式对一个大 JSON 文件进行排序

{"name":"hoge.finance","address":"0xfAd45E47083e4607302aa43c65fB3106F1cd7607"}

完整的源代码可在 https://github 上找到.com/sitetester/token-sorter 以及测试用例。代码有很好的文档记录，因此很容易理解。

它将输入文件拆分为多个较小的排序文件（可配置），然后比较数据。

在这里粘贴一些评论...

// at this point, we have sorted data sets in respective files
// next, we will take first token from first file and compare it with tokens of all other files
// during comparison, if some token from other file is in sorted order, then we make it default/initial sorted token
// & jump to next file, since all remaining tokens in THAT file are already in sorted form
// at end of comparisons with all files, we remove it from specific file (so it's not compared next time) and put/append in final sorted file
// this process continues, until all entries are matched
// if some file has no entries, then we simply delete it (so it's not compared next time)