经典算法题每日演练——第十八题 外排序-阿里云开发者社区

开发者社区> 人工智能> 正文

经典算法题每日演练——第十八题 外排序

简介:

     说到排序,大家第一反应基本上是内排序,是的,算法嘛,玩的就是内存,然而内存是有限制的,总有装不下的那一天,此时就可以来玩玩

外排序,当然在我看来,外排序考验的是一个程序员的架构能力,而不仅仅局限于排序这个层次。

 

一:N路归并排序

1.概序

    我们知道算法中有一种叫做分治思想,一个大问题我们可以采取分而治之,各个突破,当子问题解决了,大问题也就KO了,还有一点我们知道

内排序的归并排序是采用二路归并的,因为分治后有LogN层,每层两路归并需要N的时候,最后复杂度为NlogN,那么外排序我们可以将这个“二”

扩大到M,也就是将一个大文件分成M个小文件,每个小文件是有序的,然后对应在内存中我们开M个优先队列,每个队列从对应编号的文件中读取

TopN条记录,然后我们从M路队列中各取一个数字进入中转站队列,并将该数字打上队列编号标记,当从中转站出来的最小数字就是我们最后要排

序的数字之一,因为该数字打上了队列编号,所以方便我们通知对应的编号队列继续出数字进入中转站队列,可以看出中转站一直保存了M个记录,

当中转站中的所有数字都出队完毕,则外排序结束。如果大家有点蒙的话,我再配合一张图,相信大家就会一目了然,这考验的是我们的架构能力。

图中这里有个Batch容器,这个容器我是基于性能考虑的,当batch=n时,我们定时刷新到文件中,保证内存有足够的空间。

 

2.构建

<1> 生成数据

   这个基本没什么好说的,采用随机数生成n条记录。

#region 随机生成数据
/// <summary>
/// 随机生成数据
///<param name="max">执行生成的数据上线</param>
/// </summary>
public static void CreateData(int max)
{
    var sw = new StreamWriter(Environment.CurrentDirectory + "//demo.txt");
 
    for (int i = 0; i < max; i++)
    {
        Thread.Sleep(2);
        var rand = new Random((int)DateTime.Now.Ticks).Next(0, int.MaxValue >> 3);
 
        sw.WriteLine(rand);
    }
    sw.Close();
}
#endregion

  

<2> 切分数据
     根据实际情况我们来决定到底要分成多少个小文件,并且小文件的数据必须是有序的,小文件的个数也对应这内存中有多少个优先队列。

#region 将数据进行分份
/// <summary>
/// 将数据进行分份
/// <param name="size">每页要显示的条数</param>
/// </summary>
public static int Split(int size)
{
    //文件总记录数
    int totalCount = 0;
 
    //每一份文件存放 size 条 记录
    List<int> small = new List<int>();
 
    var sr = new StreamReader((Environment.CurrentDirectory + "//demo.txt"));
 
    var pageSize = size;
 
    int pageCount = 0;
 
    int pageIndex = 0;
 
    while (true)
    {
        var line = sr.ReadLine();
 
        if (!string.IsNullOrEmpty(line))
        {
            totalCount++;
 
            //加入小集合中
            small.Add(Convert.ToInt32(line));
 
            //说明已经到达指定的 size 条数了
            if (totalCount % pageSize == 0)
            {
                pageIndex = totalCount / pageSize;
 
                small = small.OrderBy(i => i).Select(i => i).ToList();
 
                File.WriteAllLines(Environment.CurrentDirectory + "//" + pageIndex + ".txt", small.Select(i => i.ToString()));
 
                small.Clear();
            }
        }
        else
        {
            //说明已经读完了,将剩余的small记录写入到文件中
            pageCount = (int)Math.Ceiling((double)totalCount / pageSize);
 
            small = small.OrderBy(i => i).Select(i => i).ToList();
 
            File.WriteAllLines(Environment.CurrentDirectory + "//" + pageCount + ".txt", small.Select(i => i.ToString()));
 
            break;
        }
    }
 
    return pageCount;
}
#endregion

  

<3> 加入队列

    我们知道内存队列存放的只是小文件的topN条记录,当内存队列为空时,我们需要再次从小文件中读取下一批的TopN条数据,然后放入中转站

继续进行比较。

#region 将数据加入指定编号队列
        /// <summary>
        /// 将数据加入指定编号队列
        /// </summary>
        /// <param name="i">队列编号</param>
        /// <param name="skip">文件中跳过的条数</param>
        /// <param name="list"></param>
        /// <param name="top">需要每次读取的条数</param>
        public static void AddQueue(int i, List<PriorityQueue<int?>> list, ref int[] skip, int top = 100)
        {
            var result = File.ReadAllLines((Environment.CurrentDirectory + "//" + (i + 1) + ".txt"))
                             .Skip(skip[i]).Take(top).Select(j => Convert.ToInt32(j));
 
            //加入到集合中
            foreach (var item in result)
                list[i].Eequeue(null, item);
 
            //将个数累计到skip中,表示下次要跳过的记录数
            skip[i] += result.Count();
        }
        #endregion

<4> 测试

 最后我们来测试一下:

 数据量:short.MaxValue。

 内存存放量:1200。

在这种场景下,我们决定每个文件放1000条,也就有33个小文件,也就有33个内存队列,每个队列取Top100条,Batch=500时刷新

硬盘,中转站存放33*2个数字(因为入中转站时打上了队列标记),最后内存活动最大总数为:sum=33*100+500+66=896<1200。

时间复杂度为N*logN。当然这个“阀值”,我们可以再仔细微调。

public static void Main()
      {
          //生成2^15数据
          CreateData(short.MaxValue);
 
          //每个文件存放1000条
          var pageSize = 1000;
 
          //达到batchCount就刷新记录
          var batchCount = 0;
 
          //判断需要开启的队列
          var pageCount = Split(pageSize);
 
          //内存限制:1500条
          List<PriorityQueue<int?>> list = new List<PriorityQueue<int?>>();
 
          //定义一个队列中转器
          PriorityQueue<int?> queueControl = new PriorityQueue<int?>();
 
          //定义每个队列完成状态
          bool[] complete = new bool[pageCount];
 
          //队列读取文件时应该跳过的记录数
          int[] skip = new int[pageCount];
 
          //是否所有都完成了
          int allcomplete = 0;
 
          //定义 10 个队列
          for (int i = 0; i < pageCount; i++)
          {
              list.Add(new PriorityQueue<int?>());
 
              //i:   记录当前的队列编码
              //list: 队列数据
              //skip:跳过的条数
              AddQueue(i, list, ref skip);
          }
 
          //初始化操作,从每个队列中取出一条记录,并且在入队的过程中
          //记录该数据所属的 “队列编号”
          for (int i = 0; i < list.Count; i++)
          {
              var temp = list[i].Dequeue();
 
              //i:队列编码,level:要排序的数据
              queueControl.Eequeue(i, temp.level);
          }
 
          //默认500条写入一次文件
          List<int> batch = new List<int>();
 
          //记录下次应该从哪一个队列中提取数据
          int nextIndex = 0;
 
          while (queueControl.Count() > 0)
          {
              //从中转器中提取数据
              var single = queueControl.Dequeue();
 
              //记录下一个队列总应该出队的数据
              nextIndex = single.t.Value;
 
              var nextData = list[nextIndex].Dequeue();
 
              //如果改对内弹出为null,则说明该队列已经,需要从nextIndex文件中读取数据
              if (nextData == null)
              {
                  //如果该队列没有全部读取完毕
                  if (!complete[nextIndex])
                  {
                      AddQueue(nextIndex, list, ref skip);
 
                      //如果从文件中读取还是没有,则说明改文件中已经没有数据了
                      if (list[nextIndex].Count() == 0)
                      {
                          complete[nextIndex] = true;
                          allcomplete++;
                      }
                      else
                      {
                          nextData = list[nextIndex].Dequeue();
                      }
                  }
              }
 
              //如果弹出的数不为空,则将该数入中转站
              if (nextData != null)
              {
                  //将要出队的数据 转入 中转站
                  queueControl.Eequeue(nextIndex, nextData.level);
              }
 
              batch.Add(single.level);
 
              //如果batch=500,或者所有的文件都已经读取完毕,此时我们要批量刷入数据
              if (batch.Count == batchCount || allcomplete == pageCount)
              {
                  var sw = new StreamWriter(Environment.CurrentDirectory + "//result.txt", true);
 
                  foreach (var item in batch)
                  {
                      sw.WriteLine(item);
                  }
 
                  sw.Close();
 
                  batch.Clear();
              }
          }
 
          Console.WriteLine("恭喜,外排序完毕!");
          Console.Read();
      }

版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

分享:
人工智能
使用钉钉扫一扫加入圈子
+ 订阅

了解行业+人工智能最先进的技术和实践,参与行业+人工智能实践项目

其他文章