酷应用

程序员如何高性能排序多个文件？

百家作者：CSDN 2019-03-20 08:09:53

涨工资申请还在待审批中......

作为一个技术人员，技术的问题还是要解决。经过线上日志的分析，日志采用小时机制，一个小时一个日志文件，同一个小时的日志文件有多个，也就是说同一时间内的日志有可能分散在多个日志文件中，这也是Y总要合并的主要原因。每个日志文件大约有500M，大约有100个。此时，如果你阅读到此文章，该怎么做呢？不如先静心想2分钟！

问题分析

要想实现Y总的需求其实还是有几个难点的：

如何能把所有的日志文件按照时间排序？
日志文件的总大小为500M*100 ，大约50G，所以全部加载到内存是不可能的；
程序执行过程中，要频繁排序并查找最小元素。

那我们该怎么做呢？其中一个解决方案就是它：堆。

解决方案

堆定义

堆（heap）是计算机科学中一类特殊的数据结构的统称，通常是一个可以被看做一棵树的数组对象。

堆总是满足下列性质：

堆中某个节点的值总是不大于或不小于其父节点的值；
堆总是一棵完全二叉树（完全二叉树要求，除了最后一层，其他层的节点个数都是满的，最后一层的节点都靠左排列）。

对于每个节点的值都大于等于子树中每个节点值的堆，叫作“大顶堆”。对于每个节点的值都小于等于子树中每个节点值的堆，叫作“小顶堆”。

堆实现

完全二叉树比较适合用数组来存储（链表也可以实现）。为什么这么说呢？用数组来存储完全二叉树是非常节省存储空间的。因为我们不需要存储左右子节点的指针，单纯地通过数组的下标，就可以找到一个节点的左右子节点和父节点。

经过上图可以发现，数组位置0为空，虽然浪费了一个存储空间，但是当计算元素在数组位置的时候确非常方便：数组下标为X的元素的左子树的下标为2x，右子树的下标为2x+1。

其实实现一个堆非常简单，就是顺着元素所在的路径，向上或者向下对比然后交换位置。

1、添加元素

添加元素的时候我们习惯采用自下而上的调整方式来调整堆，我们在数组的最后一个空闲位置插入新元素，按照堆的下标上标原则查找到父元素对比，如果小于父元素的值（大顶堆），则互相交换。如图：

2、删除最大（最小元素）

对于大顶堆，堆顶的元素就是最大元素。删除该元素之后，我们需要把第二大元素提到堆顶位置。依次类推，直到把路径上的所有元素都调整完毕。

总结

小顶堆的顶部元素其实就是整个堆最小的元素，大顶堆顶部元素是整个堆的最大元素。这也是堆排序的最大优点，取最小元素或者最大元素时间复杂度为O(1)。
删除元素的时候我们要注意一点，如果采用自顶向下交换元素的方式，在很多情况下造成堆严重的不平衡（左右子树深度相差较大）的情况，为了防止类似情况，我们可以把最后一个元素提到堆顶，然后调整的策略，因为最后一个元素总是在最后一级，不会造成左右子树相差很大的情况。
对于有重复元素的堆，一种解决方法是认为是谁先谁大，后进入堆的元素小于先进入堆的元素，这样在查找的时候一定要查彻底才行。另外一种方式是在堆的每个元素中存储一个链表，用来存放相同的元素，原理类似于散列表。不过这样在删除这个元素的时候需要特殊处理一下。

删除堆顶数据和往堆中插入数据的时间复杂度都是O(logn)。
不断调整堆的过程其实就是排序过程，在某些场景下，我们可以利用堆来实现排序。

asp.net core 模拟代码

以下代码经过少许修改甚至不修改的情况下可直接在生产环境应用。

小顶堆实现代码

/// 
    /// 小顶堆,T类型需要实现 IComparable 接口
    /// 
    class MinHeap where T : IComparable
    {
        private T[] container; // 存放堆元素的容器
        private int capacity;  // 堆的容量，最大可以放多少个元素
        private int count; // 堆中已经存储的数据个数

        public MinHeap(int _capacity)
        {
            container = new T[_capacity + 1];
            capacity = _capacity;
            count = 0;
        }
        //插入一个元素
        public bool AddItem(T item)
        {
            if (count >= capacity)
            {
                return false;
            }
            ++count;
            container[count] = item;
            int i = count;
            while (i / 2 > 0 && container[i].CompareTo(container[i / 2]) <  0)
            {
                // 自下往上堆化，交换 i 和i/2 元素
                T temp = container[i];
                container[i] = container[i / 2];
                container[i / 2] = temp;
                i = i / 2;
            }
            return true;
        }
        //获取最小的元素
        public T GetMinItem()
        {
            if (count == 0)
            {
                return default(T);
            }
            T result = container[1];
            return result;
        }
        //删除最小的元素，即堆顶元素
        public bool DeteleMinItem()
        {
            if (count == 0)
            {
                return false;
            }
            container[1] = container[count];
            container[count] = default(T);
            --count;
            UpdateHeap(container, count, 1);
            return true;
        }
        //从某个节点开始从上向下 堆化
        private void UpdateHeap(T[] a, int n, int i)
        {
            while (true)
            {
                int maxPos = i;
                //遍历左右子树，确定那个是最小的元素
                if (i * 2 < = n && a[i].CompareTo(a[i * 2]) > 0)
                {
                    maxPos = i * 2;
                }
                if (i * 2 + 1 < = n && a[maxPos].CompareTo(a[i * 2 + 1]) > 0)
                {
                    maxPos = i * 2 + 1;
                }
                if (maxPos == i)
                {
                    break;
                }
                T temp = container[i];
                container[i] = container[maxPos];
                container[maxPos] = temp;
                i = maxPos;
            }
        }
    }

模拟日志文件内容

//因为需要不停的从log文件读取内容，所以需要一个和log文件保持连接的包装
    class LogInfoIndex : IComparable
    {
        //标志内容来自于哪个文件
        public int FileIndex { get; set; }
        //具体的日志文件内容
        public LogInfo Data { get; set; }

        public int CompareTo(object obj)
        {
            var tempInfo = obj as LogInfoIndex;
            if (this.Data.Index > tempInfo.Data.Index)
            {
                return 1;
            }
            else if (this.Data.Index <  tempInfo.Data.Index)
            {
                return -1;
            }
            return 0;
        }
    }
    class LogInfo
    {       
        //用int来模拟datetime 类型，因为用int 看的最直观
        public int Index { get; set; }
        public string UserName { get; set; }
    }

生成模拟日志程序

 static void WriteFile()
        {
            int fileCount = 0;
            while (fileCount <  10)
            {
                string filePath = $@"D:log{fileCount}.txt";
                int index = 0;
                while (index <  100000)
                {
                    LogInfo info = new LogInfo() { Index = index, UserName = Guid.NewGuid().ToString() };
                    File.AppendAllText(filePath, JsonConvert.SerializeObject(info)+ "rn");
                    index++;
                }
                fileCount++;
            }

        }

文件内容如下：

测试程序

static void Main(string[] args)
        {
            int heapItemCount = 10;
            int startIndex = 0;
            StreamReader[] allReader = new StreamReader[10];
            MinHeap container = new MinHeap(heapItemCount);

            //首先每个文件读取一条信息          
            while(startIndex<  heapItemCount)
            {
                string filePath = $@"D:log{startIndex}.txt";
                System.IO.StreamReader reader = new System.IO.StreamReader(filePath);
                allReader[startIndex] = reader;
                string content= reader.ReadLine();
                var contentObj = JsonConvert.DeserializeObject(content);
                LogInfoIndex item = new LogInfoIndex() {  FileIndex= startIndex , Data= contentObj };
                container.AddItem(item);
                startIndex++;
            }
            //然后开始循环出堆，入堆
            while (true)
            {
                var heapFirstItem = container.GetMinItem();
                if (heapFirstItem == null)
                {
                    break;
                }
                container.DeteleMinItem();

                File.AppendAllText($@"D:logtotal.txt", JsonConvert.SerializeObject(heapFirstItem.Data) + "rn");
                var nextContent = allReader[heapFirstItem.FileIndex].ReadLine();
                if (string.IsNullOrWhiteSpace( nextContent))
                {
                    //如果其中一个文件已经读取完毕 则跳过
                    continue;
                }
                var contentObj = JsonConvert.DeserializeObject(nextContent);
                LogInfoIndex item = new LogInfoIndex() { FileIndex = heapFirstItem.FileIndex, Data = contentObj };
                container.AddItem(item);
            }
            //释放StreamReader
            foreach (var reader in allReader)
            {
                reader.Dispose();
            }
            Console.WriteLine("完成");        
            Console.Read();
        }

最终排序结果如下图：

机器使用CPU内存完全没有达到所有排序文件的总大小：

作者：菜菜，一个奔走在通往互联网更高之路的工程师，热衷于互联网技术。目前就职于某互联网教育公司，应用服务端主要负责人。拥有10年+互联网开发经验。热衷于高性能、高并发、分布式技术领域的研究。主要工作语言为C#和Golang 。
声明：本文为作者投稿，版权归对方所有，编辑郭芮。

热文 推荐

☞ 苹果的“价格战”还能走多远？ | 畅言

☞ Angular、React 当前，Vue.js 优劣几何？

☞ 程序员如何在 HTTPS 中高效配置通配符证书？| 技术头条

☞ 315 后，等待失业的程序员

☞ 套路贷+套路培训，IT 培训机构造假术大公开 | 程序员有话说

☞ 那位13岁就当上老板的开发者是如何炼成的？

☞ 好莱坞大片! 为躲避死亡威胁, 只用15步, 这个密码朋克大叔就从世界"消失"了...

☞ 确认！贾扬清加盟阿里，任技术副总裁

☞ 都道业务提升坑大事儿多，但英特尔云方案却说“简单”

☞ Python 爬取蔡徐坤的 10 万转发数据，竟是假流量？

System.out.println("点个在看吧！");
console.log("点个在看吧！");
print("点个在看吧！");
printf("点个在看吧！n");
cout < < "点个在看吧！" < < endl;
Console.WriteLine("点个在看吧！");
Response.Write("点个在看吧！");
alert("点个在看吧！")
echo "点个在看吧！"