Question

我有一些文件应根据每行开头的id进行排序。文件大约2-3 GB。

我尝试将所有数据读入ArrayList并对其进行排序。但记忆力还不足以让他们全部保留。它不起作用。

行看起来像

0052304 0000004000000000000000000000000000000041 John Teddy 000023
0022024 0000004000000000000000000000000000000041 George Clan 00013

如何对文件进行排序？

Answer 1

这不完全是Java问题。您需要研究一种有效的算法，用于对未完全读入内存的数据进行排序。对Merge-Sort的一些改编可以达到这个目的。

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

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

这里的想法基本上是将文件分成更小的部分，对它们进行排序（使用合并排序或其他方法），然后使用合并排序合并来创建新的排序文件。

Answer 2

您需要外部合并排序才能执行此操作。 Here是它的Java实现，可以对非常大的文件进行排序。

Answer 3

由于您的记录已采用平面文件文本格式，因此您可以将它们传输到UNIX <script src="https://ajax.googleapis.com/ajax/libs/jquery/2.1.1/jquery.min.js"></script> <div class="Widget1001783 WidgetType23 microCart" id="w1001783_pnlDefaultBody"> <table width="100%"> <tbody> <tr id="w1001783_trHeader"> <th colspan="2"> <span class="FormLabel" id="w1001783_lblCart">shopping cart</span> </th> </tr> <tr id="w1001783_trItems"> <td><span class="FormLabel" id="w1001783_lblItems">items:</span></td> <td align="right"><span class="FormLabel" id="w1001783_lbdItems">0</span></td> </tr> </tbody> </table> </div> <input type="button" value="Set class" onclick="updateClass()"/>，例如sort(1)。它将自动对数据进行分块并使用可用内存和sort -n -t' ' -k1,1 < input > output执行合并排序。如果您需要的空间超过可用内存空间，请在命令中添加/tmp。

当你可以使用每个平台上可用的工具并且已经存在数十年之后，每个人都告诉你下载庞大的C＃或Java库或自己实现合并排序，这很有趣。

Answer 4

不是一次将所有数据加载到内存中，而是只读取键和行开始位置的索引（也可能是长度），例如。

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

这将每行使用大约40个字节。

对此数组进行排序后，您可以使用RandomAccessFile按照它们出现的顺序读取这些行。

注意：由于您将随机点击磁盘，而不是使用内存，这可能会非常慢。一个典型的磁盘需要8毫秒来随机访问数据，如果你有1000万行，这将需要大约一天。（这是绝对最坏的情况）在内存中需要大约10秒钟。

Answer 5

您需要执行外部排序。它是Hadoop / MapReduce背后的驱动理念，只是它不考虑分布式集群并在单个节点上运行。

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。将在fdir路径中使用名称op401创建最终排序文件。最后一行Runtime.getRuntime().exec("valsort " + fdir + "op" + (treeHeight*100)+1 + " > " + opLog);检查输出是否已排序。如果您没有安装valsort或者没有使用gensort（http://www.ordinal.com/gensort.html）生成输入文件，请删除此行。

另外不要忘记将int totalLines = 200000000;更改为文件中的总行数。和线程计数（int threadCount = 16）应该总是2的幂并且足够大，以便（总大小* 2 /无线程）数据量可以驻留在内存中。更改线程计数将更改最终输出文件的名称。与16相同，它将是op401，32为op501，8为op301等。

享受。

    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

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

优点：无需担心编写最佳排序算法。

缺点：您将需要磁盘空间，处理速度较慢。

https://sites.google.com/site/arjunwebworld/Home/programming/sorting-large-data-files

Answer 7

您需要做的是通过流将文件分块并单独处理。然后您可以将文件合并在一起，因为它们已经被排序，这类似于合并排序的工作方式。

这个SO问题的答案很有价值：Stream large files

Answer 8

操作系统带有强大的文件排序工具。调用bash脚本的简单函数应该有帮助。

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 9

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

以下是解决您的确切问题的方法：

profile.videoBitRate = 50000000;

输出：

// 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);

如何排序非常大的文件

9 个答案: