問題一：一個檔案含有5億行，每行是一個隨機整數，需要對該檔案所有整數排序。
分治（pide&Conquer），參考大數據演算法：對5億資料進行排序
對這個一個500000000行的total.txt 進行排序，該檔案大小4.6G。
每讀10000行就排序並寫入到一個新的子檔案裡（這裡使用的是快速排序）。
1.分割 & 排序
#!/usr/bin/python2.7
import time
def readline_by_yield(bfile):
with open(bfile, 'r') as rf:
for line in rf:
yield line
def quick_sort(lst):
if len(lst) < 2:
return lst
pivot = lst[0]
left = [ ele for ele in lst[1:] if ele < pivot ]
right = [ ele for ele in lst[1:] if ele >= pivot ]
return quick_sort(left) + [pivot,] + quick_sort(right)
def split_bfile(bfile):
count = 0
nums = []
for line in readline_by_yield(bfile):
num = int(line)
if num not in nums:
nums.append(num)
if 10000 == len(nums):
nums = quick_sort(nums)
with open('subfile/subfile{}.txt'.format(count+1),'w') as wf:
wf.write('\n'.join([ str(i) for i in nums ]))
nums[:] = []
count += 1
print count
now = time.time()
split_bfile('total.txt')
run_t = time.time()-now
print 'Runtime : {}'.format(run_t)登入後複製
會產生 50000 個小文件，每個小文件大小約在 96K左右。
程式在執行過程中，記憶體佔用一直處在 5424kB #左右
#整個檔案分割完耗時
94146
秒。 
2.合併
#!/usr/bin/python2.7
# -*- coding: utf-8 -*-
import os
import time
testdir = '/ssd/subfile'
now = time.time()
# Step 1 : 获取全部文件描述符
fds = []
for f in os.listdir(testdir):
ff = os.path.join(testdir,f)
fds.append(open(ff,'r'))
# Step 2 : 每个文件获取第一行，即当前文件最小值
nums = []
tmp_nums = []
for fd in fds:
num = int(fd.readline())
tmp_nums.append(num)
# Step 3 : 获取当前最小值放入暂存区，并读取对应文件的下一行；循环遍历。
count = 0
while 1:
val = min(tmp_nums)
nums.append(val)
idx = tmp_nums.index(val)
next = fds[idx].readline()
# 文件读完了
if not next:
del fds[idx]
del tmp_nums[idx]
else:
tmp_nums[idx] = int(next)
# 暂存区保存1000个数，一次性写入硬盘，然后清空继续读。
if 1000 == len(nums):
with open('final_sorted.txt','a') as wf:
wf.write('\n'.join([ str(i) for i in nums ]) + '\n')
nums[:] = []
if 499999999 == count:
break
count += 1
with open('runtime.txt','w') as wf:
wf.write('Runtime : {}'.format(time.time()-now))登入後複製
程式在執行過程中，記憶體佔用一直處在
240M左右
跑了38個小時左右，才合併完不到5千萬行資料...
雖然降低了記憶體使用，但時間複雜度太高了；
可以透過減少檔案數（每個小檔案儲存行數增加）來進一步降低記憶體使用。
問題二：一個檔案有一千億行數據，每行是IP位址，需要對IP位址進行排序。
IP位址轉換成數字
# 方法一：手动计算
In [62]: ip
Out[62]: '10.3.81.150'
In [63]: ip.split('.')[::-1]
Out[63]: ['150', '81', '3', '10']
In [64]: [ '{}-{}'.format(idx,num) for idx,num in enumerate(ip.split('.')[::-1]) ]
Out[64]: ['0-150', '1-81', '2-3', '3-10']
In [65]: [256**idx*int(num) for idx,num in enumerate(ip.split('.')[::-1])]
Out[65]: [150, 20736, 196608, 167772160]
In [66]: sum([256**idx*int(num) for idx,num in enumerate(ip.split('.')[::-1])])
Out[66]: 167989654
In [67]:
# 方法二：使用C扩展库来计算
In [71]: import socket,struct
In [72]: socket.inet_aton(ip)
Out[72]: b'\n\x03Q\x96'
In [73]: struct.unpack("!I", socket.inet_aton(ip))
# !表示使用网络字节顺序解析, 后面的I表示unsigned int, 对应Python里的integer or long
Out[73]: (167989654,)
In [74]: struct.unpack("!I", socket.inet_aton(ip))[0]
Out[74]: 167989654
In [75]: socket.inet_ntoa(struct.pack("!I", 167989654))
Out[75]: '10.3.81.150'
In [76]:登入後複製
基本概念
：迭代讀大文件，把大文件分割成多個小文件；最後再歸併這些小文件。
分割的規則
：
迭代讀取大文件，記憶體中維護字典，key是字串，value是該字串出現的次數；
當字典維護的字串種類達到10000（可自訂）的時候，把該字典
依照key從小到大排序
，然後寫入小文件，每行是key\tvalue；
然後清空字典，繼續往下讀，直到大檔案讀完。
歸併的規則：
首先取得
全部小檔案的檔案描述子
，然後各自讀出第一行（即每個小檔案字串ascii值最小的字串），進行比較。
找出ascii值最小的字串，如果有重複的，這把各自出現的次數累加起來，然後把當前字串和總次數儲存到記憶體中的一個列表。
接著把最小字串所在的檔案的讀取指標向下移，也就是從對應小檔案再讀出一行進行下一輪比較。
當記憶體中的列表個數達到10000時，則一次把該列表內容寫到一個最終檔案儲存到硬碟上。同時清空列表，進行之後的比較。
一直到讀取完全部的小文件，那麼最後得到的最終文件就是一個按照字串ascii值升序排序的大的文件，每一行的內容就是字串\t重複次數| ， | 最後迭代去讀這個最終文件，找出重複次數最多的即可。 | 1. 分割 | def readline_by_yield(bfile):
with open(bfile, 'r') as rf:
for line in rf:
yield line
def split_bfile(bfile):
count = 0
d = {}
for line in readline_by_yield(bfile):
line = line.strip()
if line not in d:
d[line] = 0
d[line] += 1
if 10000 == len(d):
text = ''
for string in sorted(d):
text += '{}\t{}\n'.format(string,d[string])
with open('subfile/subfile{}.txt'.format(count+1),'w') as wf:
wf.write(text.strip())
d.clear()
count += 1
text = ''
for string in sorted(d):
text += '{}\t{}\n'.format(string,d[string])
with open('subfile/subfile_end.txt','w') as wf:
wf.write(text.strip())
split_bfile('bigfile.txt')登入後複製
2. 歸併 | import os
import json
import time
import traceback
testdir = '/ssd/subfile'
now = time.time()
# Step 1 : 获取全部文件描述符
fds = []
for f in os.listdir(testdir):
ff = os.path.join(testdir,f)
fds.append(open(ff,'r'))
# Step 2 : 每个文件获取第一行
tmp_strings = []
tmp_count = []
for fd in fds:
line = fd.readline()
string,count = line.strip().split('\t')
tmp_strings.append(string)
tmp_count.append(int(count))
# Step 3 : 获取当前最小值放入暂存区，并读取对应文件的下一行；循环遍历。
result = []
need2del = []
while True:
min_str = min(tmp_strings)
str_idx = [i for i,v in enumerate(tmp_strings) if v==min_str]
str_count = sum([ int(tmp_count[idx]) for idx in str_idx ])
result.append('{}\t{}\n'.format(min_str,str_count))
for idx in str_idx:
next = fds[idx].readline() # IndexError: list index out of range
# 文件读完了
if not next:
need2del.append(idx)
else:
next_string,next_count = next.strip().split('\t')
tmp_strings[idx] = next_string
tmp_count[idx] = next_count
# 暂存区保存10000个记录，一次性写入硬盘，然后清空继续读。
if 10000 == len(result):
with open('merged.txt','a') as wf:
wf.write(''.join(result))
result[:] = []
# 注意: 文件读完需要删除文件描述符的时候, 需要逆序删除
need2del.reverse()
for idx in need2del:
del fds[idx]
del tmp_strings[idx]
del tmp_count[idx]
need2del[:] = []
if 0 == len(fds):
break
with open('merged.txt','a') as wf:
wf.write(''.join(result))
result[:] = []登入後複製
歸併結果分析： | |
## | 分割時記憶體中維護的字典大小 | 分割的小檔案個數 | 歸併時需維護的檔案描述子數 | 歸併時記憶體佔用 | 歸併耗時 | |
第一次| 10000 | 9000 | 9000 ~ 0 | 200M | 歸併速度慢，暫未統計完成時間 | |
#第二次
100000
900
900 ~ 0
27M######歸併速度快，只需2572秒#################3. 找出出現次數最多的字串及其次數######
import time
def read_line(filepath):
with open(filepath,'r') as rf:
for line in rf:
yield line
start_ts = time.time()
max_str = None
max_count = 0
for line in read_line('merged.txt'):
string,count = line.strip().split('\t')
if int(count) > max_count:
max_count = int(count)
max_str = string
print(max_str,max_count)
print('Runtime {}'.format(time.time()-start_ts))登入後複製
###歸併後的檔案共9999788行，大小是256M；執行查找耗時27秒，記憶體佔用6480KB。 ###
以上是一文了解大文件排序/外存排序問題的詳細內容。更多資訊請關注PHP中文網其他相關文章！
