首页 > 代码库 > 外部排序 实例
外部排序 实例
一 外部排序的基本思路
假设有一个72KB的文件,其中存储了18K个整数,磁盘中物理块的大小为4KB,将文件分成18组,每组刚好4KB。
首先通过18次内部排序,把18组数据排好序,得到初始的18个归并段R1~R18,每个归并段有1024个整数。
然后对这18个归并段使用4路平衡归并排序:
第1次归并:产生5个归并段
R11 R12 R13 R14 R15
其中
R11是由{R1,R2,R3,R4}中的数据合并而来
R12是由{R5,R6,R7,R8}中的数据合并而来
R13是由{R9,R10,R11,R12}中的数据合并而来
R14是由{R13,R14,R15,R16}中的数据合并而来
R15是由{R17,R18}中的数据合并而来
把这5个归并段的数据写入5个文件:
foo_1.dat foo_2.dat foo_3.dat foo_4.dat foo_5.dat
第2次归并:从第1次归并产生的5个文件中读取数据,合并,产生2个归并段
R21 R22
其中R21是由{R11,R12,R13,R14}中的数据合并而来
其中R22是由{R15}中的数据合并而来
把这2个归并段写入2个文件
bar_1.dat bar_2.dat
第3次归并:从第2次归并产生的2个文件中读取数据,合并,产生1个归并段
R31
R31是由{R21,R22}中的数据合并而来
把这个文件写入1个文件
foo_1.dat
此即为最终排序好的文件。
二 使用败者树加快合并排序
外部排序最耗时间的操作时磁盘读写,对于有m个初始归并段,k路平衡的归并排序,磁盘读写次数为
|logkm|,可见增大k的值可以减少磁盘读写的次数,但增大k的值也会带来负面效应,即进行k路合并
的时候会增加算法复杂度,来看一个例子。
把n个整数分成k组,每组整数都已排序好,现在要把k组数据合并成1组排好序的整数,求算法复杂度
u1: xxxxxxxx
u2: xxxxxxxx
u3: xxxxxxxx
.......
uk: xxxxxxxx
算法的步骤是:每次从k个组中的首元素中选一个最小的数,加入到新组,这样每次都要比较k-1次,故
算法复杂度为O((n-1)*(k-1)),而如果使用败者树,可以在O(logk)的复杂度下得到最小的数,算法复杂
度将为O((n-1)*logk), 对于外部排序这种数据量超大的排序来说,这是一个不小的提高。
关于败者树的创建和调整,可以参考清华大学《数据结构-C语言版》
三 产生二进制测试数据
打开Linux终端,输入命令
dd if=/dev/urandom of=random.dat bs=1M count=512
这样在当前目录下产生一个512M大的二进制文件,文件内的数据是随机的,读取文件,每4个字节
看成1个整数,相当于得到128M个随机整数。
四 程序实现
1 2 #include <assert.h> 3 #include <fcntl.h> 4 #include <stdio.h> 5 #include <stdlib.h> 6 #include <string.h> 7 #include <unistd.h> 8 9 #include <sys/time.h> 10 #include <sys/types.h> 11 #include <sys/stat.h> 12 13 #define MAX_INT ~(1<<31) 14 #define MIN_INT 1<<31 15 16 //#define DEBUG 17 18 #ifdef DEBUG 19 #define debug(...) debug( __VA_ARGS__) 20 #else 21 #define debug(...) 22 #endif 23 24 #define MAX_WAYS 100 25 26 typedef struct run_t { 27 int *buf; /* 输入缓冲区 */ 28 int length; /* 缓冲区当前有多少个数 */ 29 int offset; /* 缓冲区读到了文件的哪个位置 */ 30 int idx; /* 缓冲区的指针 */ 31 } run_t; 32 33 static unsigned int K; /* K路合并 */ 34 static unsigned int BUF_PAGES; /* 缓冲区有多少个page */ 35 static unsigned int PAGE_SIZE; /* page的大小 */ 36 static unsigned int BUF_SIZE; /* 缓冲区的大小, BUF_SIZE = BUF_PAGES*PAGE_SIZE */ 37 38 static int *buffer; /* 输出缓冲区 */ 39 40 static char input_prefix[] = "foo_"; 41 static char output_prefix[] = "bar_"; 42 43 static int ls[MAX_WAYS]; /* loser tree */ 44 45 void swap(int *p, int *q); 46 int partition(int *a, int s, int t); 47 void quick_sort(int *a, int s, int t); 48 void adjust(run_t ** runs, int n, int s); 49 void create_loser_tree(run_t **runs, int n); 50 long get_time_usecs(); 51 void k_merge(run_t** runs, char* input_prefix, int num_runs, int base, int n_merge); 52 void usage(); 53 54 55 int main(int argc, char **argv) 56 { 57 char filename[100]; 58 unsigned int data_size; 59 unsigned int num_runs; /* 这轮迭代时有多少个归并段 */ 60 unsigned int num_merges; /* 这轮迭代后产生多少个归并段 num_merges = num_runs/K */ 61 unsigned int run_length; /* 归并段的长度,指数级增长 */ 62 unsigned int num_runs_in_merge; /* 一般每个merge由K个runs合并而来,但最后一个merge可能少于K个runs */ 63 int fd, rv, i, j, bytes; 64 struct stat sbuf; 65 66 if (argc != 3) { 67 usage(); 68 return 0; 69 } 70 long start_usecs = get_time_usecs(); 71 72 strcpy(filename, argv[1]); 73 fd = open(filename, O_RDONLY); 74 if (fd < 0) { 75 printf("can‘t open file %s\n", filename); 76 exit(0); 77 } 78 rv = fstat(fd, &sbuf); 79 data_size = sbuf.st_size; 80 81 K = atoi(argv[2]); 82 PAGE_SIZE = 4096; /* page = 4KB */ 83 BUF_PAGES = 32; 84 BUF_SIZE = PAGE_SIZE*BUF_PAGES; 85 num_runs = data_size / PAGE_SIZE; /* 初始时的归并段数量,每个归并段有4096 byte, 即1024个整数 */ 86 buffer = (int *)malloc(BUF_SIZE); 87 88 run_length = 1; 89 run_t **runs = (run_t **)malloc(sizeof(run_t *)*(K+1)); 90 for (i = 0; i < K; i++) { 91 runs[i] = (run_t *)malloc(sizeof(run_t)); 92 runs[i]->buf = (int *)calloc(1, BUF_SIZE+4); 93 } 94 while (num_runs > 1) { 95 num_merges = num_runs / K; 96 int left_runs = num_runs % K; 97 if(left_runs > 0) num_merges++; 98 for (i = 0; i < num_merges; i++) { 99 num_runs_in_merge = K; 100 if ((i+1) == num_merges && left_runs > 0) { 101 num_runs_in_merge = left_runs; 102 } 103 int base = 0; 104 printf("Merge %d of %d,%d ways\n", i, num_merges, num_runs_in_merge); 105 for (j = 0; j < num_runs_in_merge; j++) { 106 if (run_length == 1) { 107 base = 1; 108 bytes = read(fd, runs[j]->buf, PAGE_SIZE); 109 runs[j]->length = bytes/sizeof(int); 110 quick_sort(runs[j]->buf, 0, runs[j]->length-1); 111 } else { 112 snprintf(filename, 20, "%s%d.dat", input_prefix, i*K+j); 113 int infd = open(filename, O_RDONLY); 114 bytes = read(infd, runs[j]->buf, BUF_SIZE); 115 runs[j]->length = bytes/sizeof(int); 116 close(infd); 117 } 118 runs[j]->idx = 0; 119 runs[j]->offset = bytes; 120 } 121 k_merge(runs, input_prefix, num_runs_in_merge, base, i); 122 } 123 124 strcpy(filename, output_prefix); 125 strcpy(output_prefix, input_prefix); 126 strcpy(input_prefix, filename); 127 128 run_length *= K; 129 num_runs = num_merges; 130 } 131 132 for (i = 0; i < K; i++) { 133 free(runs[i]->buf); 134 free(runs[i]); 135 } 136 free(runs); 137 free(buffer); 138 close(fd); 139 140 long end_usecs = get_time_usecs(); 141 double secs = (double)(end_usecs - start_usecs) / (double)1000000; 142 printf("Sorting took %.02f seconds.\n", secs); 143 printf("sorting result saved in %s%d.dat.\n", input_prefix, 0); 144 145 return 0; 146 } 147 148 void k_merge(run_t** runs, char* input_prefix, int num_runs, int base, int n_merge) 149 { 150 int bp, bytes, output_fd; 151 int live_runs = num_runs; 152 run_t *mr; 153 char filename[20]; 154 155 bp = 0; 156 create_loser_tree(runs, num_runs); 157 158 snprintf(filename, 100, "%s%d.dat", output_prefix, n_merge); 159 output_fd = open(filename, O_CREAT|O_WRONLY|O_TRUNC, 160 S_IRWXU|S_IRWXG); 161 if (output_fd < 0) { 162 printf("create file %s fail\n", filename); 163 exit(0); 164 } 165 166 while (live_runs > 0) { 167 mr = runs[ls[0]]; 168 buffer[bp++] = mr->buf[mr->idx++]; 169 // 输出缓冲区已满 170 if (bp*4 == BUF_SIZE) { 171 bytes = write(output_fd, buffer, BUF_SIZE); 172 bp = 0; 173 } 174 // mr的输入缓冲区用完 175 if (mr->idx == mr->length) { 176 snprintf(filename, 20, "%s%d.dat", input_prefix, ls[0]+n_merge*K); 177 if (base) { 178 mr->buf[mr->idx] = MAX_INT; 179 live_runs--; 180 } else { 181 int fd = open(filename, O_RDONLY); 182 lseek(fd, mr->offset, SEEK_SET); 183 bytes = read(fd, mr->buf, BUF_SIZE); 184 close(fd); 185 if (bytes == 0) { 186 mr->buf[mr->idx] = MAX_INT; 187 live_runs--; 188 } 189 else { 190 mr->length = bytes/sizeof(int); 191 mr->offset += bytes; 192 mr->idx = 0; 193 } 194 } 195 } 196 adjust(runs, num_runs, ls[0]); 197 } 198 bytes = write(output_fd, buffer, bp*4); 199 if (bytes != bp*4) { 200 printf("!!!!!! Write Error !!!!!!!!!\n"); 201 exit(0); 202 } 203 close(output_fd); 204 } 205 206 long get_time_usecs() 207 { 208 struct timeval time; 209 struct timezone tz; 210 memset(&tz, ‘\0‘, sizeof(struct timezone)); 211 gettimeofday(&time, &tz); 212 long usecs = time.tv_sec*1000000 + time.tv_usec; 213 214 return usecs; 215 } 216 217 void swap(int *p, int *q) 218 { 219 int tmp; 220 221 tmp = *p; 222 *p = *q; 223 *q = tmp; 224 } 225 226 int partition(int *a, int s, int t) 227 { 228 int i, j; /* i用来遍历a[s]...a[t-1], j指向大于x部分的第一个元素 */ 229 230 for (i = j = s; i < t; i++) { 231 if (a[i] < a[t]) { 232 swap(a+i, a+j); 233 j++; 234 } 235 } 236 swap(a+j, a+t); 237 238 return j; 239 } 240 241 void quick_sort(int *a, int s, int t) 242 { 243 int p; 244 245 if (s < t) { 246 p = partition(a, s, t); 247 quick_sort(a, s, p-1); 248 quick_sort(a, p+1, t); 249 } 250 } 251 252 void adjust(run_t ** runs, int n, int s) 253 { 254 int t, tmp; 255 256 t = (s+n)/2; 257 while (t > 0) { 258 if (s == -1) { 259 break; 260 } 261 if (ls[t] == -1 || runs[s]->buf[runs[s]->idx] > runs[ls[t]]->buf[runs[ls[t]]->idx]) { 262 tmp = s; 263 s = ls[t]; 264 ls[t] = tmp; 265 } 266 t >>= 1; 267 } 268 ls[0] = s; 269 } 270 271 void create_loser_tree(run_t **runs, int n) 272 { 273 int i; 274 275 for (i = 0; i < n; i++) { 276 ls[i] = -1; 277 } 278 for (i = n-1; i >= 0; i--) { 279 adjust(runs, n, i); 280 } 281 } 282 283 void usage() 284 { 285 printf("sort <filename> <K-ways>\n"); 286 printf("\tfilename: filename of file to be sorted\n"); 287 printf("\tK-ways: how many ways to merge\n"); 288 exit(1); 289 }
五 编译运行
gcc sort.c -o sort -g
./sort random.dat 64
以64路平衡归并对random.dat内的数据进行外部排序。在I5处理器,4G内存的硬件环境下,实验结果如下
文件大小 耗时
128M 14.72 秒
256M 30.89 秒
512M 71.65 秒
1G 169.18秒
六 读取二进制文件,查看排序结果
1 #include <assert.h> 2 #include <fcntl.h> 3 #include <stdio.h> 4 #include <stdlib.h> 5 #include <string.h> 6 #include <unistd.h> 7 8 #include <sys/time.h> 9 #include <sys/types.h> 10 #include <sys/stat.h> 11 12 int main(int argc, char **argv) 13 { 14 char *filename = argv[1]; 15 int *buffer = (int *)malloc(1<<20); 16 struct stat sbuf; 17 int rv, data_size, i, bytes, fd; 18 19 fd = open(filename, O_RDONLY); 20 if (fd < 0) { 21 printf("%s not found!\n", filename); 22 exit(0); 23 } 24 rv = fstat(fd, &sbuf); 25 data_size = sbuf.st_size; 26 27 bytes = read(fd, buffer, data_size); 28 for (i = 0; i < bytes/4; i++) { 29 printf("%d ", buffer[i]); 30 if ((i+1) % 10 == 0) { 31 printf("\n"); 32 } 33 } 34 printf("\n"); 35 close(fd); 36 free(buffer); 37 return 0; 38 }
转自:http://blog.csdn.net/naturebe/article/details/8080083
外部排序 实例