廣東
1. 場景說明
現有一個 10G 文件的數據，里面包含了 18-70 之間的整數，分別表示 18-70 歲的人群數量統計。假設年齡范圍分布均勻，分別表示系統中所有用戶的年齡數，找出重復次數最多的那個數，現有一臺內存為 4G、2 核 CPU 的電腦，請寫一個算法實現。
23,31,42,19,60,30,36,........2. 模擬數據
Java 中一個整數占 4 個字節，模擬 10G 為 30 億左右個數據， 采用追加模式寫入 10G 數據到硬盤里。
每 100 萬個記錄寫一行，大概 4M 一行，10G 大概 2500 行數據。
package bigdata;import java.io.*;import java.util.Random;* @Desc:* @Author: bingbing* @Date: 2022/5/4 0004 19:05public class GenerateData {private static Random random = new Random();public static int generateRandomData(int start, int end) {return random.nextInt(end - start + 1) + start;* 產生10G的 1-1000的數據在D盤public void generateData() throws IOException {File file = new File("D:\\ User.dat");if (!file.exists()) {try {file.createNewFile();} catch (IOException e) {e.printStackTrace();int start = 18;int end = 70;long startTime = System.currentTimeMillis();BufferedWriter bos = new BufferedWriter(new OutputStreamWriter(new FileOutputStream(file, true)));for (long i = 1; i < Integer.MAX_VALUE * 1.7; i++) {String data = generateRandomData(start, end) + ",";bos.write(data);// 每100萬條記錄成一行，100萬條數據大概4Mif (i % 1000000 == 0) {bos.write("\n");System.out.println("寫入完成! 共花費時間:" + (System.currentTimeMillis() - startTime) / 1000 + " s");bos.close();public static void main(String[] args) {GenerateData generateData = new GenerateData();try {generateData.generateData();} catch (IOException e) {e.printStackTrace();上述代碼調整參數執行 2 次，湊 10G 數據在 D 盤 User.dat 文件里：
準備好 10G 數據后，接著寫如何處理這些數據。
3. 場景分析
10G 的數據比當前擁有的運行內存大的多，不能全量加載到內存中讀取。如果采用全量加載，那么內存會直接爆掉，只能按行讀取。Java 中的 bufferedReader 的 readLine() 按行讀取文件里的內容。
4. 讀取數據
首先，我們寫一個方法單線程讀完這 30 億數據需要多少時間，每讀 100 行打印一次：
private static void readData() throws IOException {BufferedReader br = new BufferedReader(new InputStreamReader(new FileInputStream(FILE_NAME), "utf-8"));String line;long start = System.currentTimeMillis();int count = 1;while ((line = br.readLine()) != null) {// 按行讀取if (count % 100 == 0) {System.out.println("讀取100行,總耗時間: " + (System.currentTimeMillis() - start) / 1000 + " s");System.gc();count++;running = false;br.close();按行讀完 10G 的數據大概 20 秒，基本每 100 行，1 億多數據花 1 秒，速度還挺快。
5. 處理數據
5.1 思路一
通過單線程處理，初始化一個 countMap，key 為年齡，value 為出現的次數。將每行讀取到的數據按照 "," 進行分割，然后獲取到的每一項進行保存到 countMap 里。如果存在，那么值 key 的 value+1。
for (int i = start; i <= end; i++) {try {File subFile = new File(dir + "\\" + i + ".dat");if (!file.exists()) {subFile.createNewFile();countMap.computeIfAbsent(i + "", integer -> new AtomicInteger(0));} catch (FileNotFoundException e) {e.printStackTrace();} catch (IOException e) {e.printStackTrace();單線程讀取并統計 countMap：
publicstatic void splitLine(String lineData) {String[] arr = lineData.split(",");for (String str : arr) {if (StringUtils.isEmpty(str)) {continue;countMap.computeIfAbsent(str, s -> new AtomicInteger(0)).getAndIncrement();通過比較找出年齡數最多的年齡并打印出來：
private static void findMostAge() {Integer targetValue = 0;String targetKey = null;Iterator> entrySetIterator = countMap.entrySet().iterator();while (entrySetIterator.hasNext()) {Map.Entry entry = entrySetIterator.next();Integer value = entry.getValue().get();String key = entry.getKey();if (value > targetValue) {targetValue = value;targetKey = key;System.out.println("數量最多的年齡為:" + targetKey + "數量為：" + targetValue);測試結果
總共花了 3 分鐘讀取完并統計完所有數據。
內存消耗為 2G-2.5G，CPU 利用率太低，只向上浮動了 20%-25% 之間。
要想提高 CPU 利用率，那么可以使用多線程去處理。
下面我們使用多線程去解決這個 CPU 利用率低的問題。
5.2 思路二：分治法
使用多線程去消費讀取到的數據。采用生產者、消費者模式去消費數據。
因為在讀取的時候是比較快的，單線程的數據處理能力比較差。因此思路一的性能阻塞在取數據的一方且又是同步操作，導致整個鏈路的性能會變的很差。
所謂分治法就是分而治之，也就是說將海量數據分割處理。 根據 CPU 的能力初始化 n 個線程，每一個線程去消費一個隊列，這樣線程在消費的時候不會出現搶占隊列的問題。同時為了保證線程安全和生產者消費者模式的完整，采用阻塞隊列。Java 中提供了 LinkedBlockingQueue 就是一個阻塞隊列。
初始化阻塞隊列
使用 LinkedList 創建一個阻塞隊列列表：
private static ListString>> blockQueueLists = new LinkedList<>();在 static 塊里初始化阻塞隊列的數量和單個阻塞隊列的容量為 256。
上面講到了 30 億數據大概 2500 行，按行塞到隊列里。20 個隊列，那么每個隊列 125 個，因此可以容量可以設計為 256 即可。
//每個隊列容量為256for (int i = 0; i < threadNums; i++) {blockQueueLists.add(new LinkedBlockingQueue<>(256));生產者
為了實現負載的功能，首先定義一個 count 計數器，用來記錄行數：
private static AtomicLong count = new AtomicLong(0);按照行數來計算隊列的下標 long index=count.get()%threadNums。
下面算法就實現了對隊列列表中的隊列進行輪詢的投放：
static class SplitData {public static void splitLine(String lineData) {String[] arr = lineData.split("\n");for (String str : arr) {if (StringUtils.isEmpty(str)) {continue;long index = count.get() % threadNums;try {// 如果滿了就阻塞blockQueueLists.get((int) index).put(str);} catch (InterruptedException e) {e.printStackTrace();count.getAndIncrement();消費者
1) 隊列線程私有化
消費方在啟動線程的時候根據 index 去獲取到指定的隊列，這樣就實現了隊列的線程私有化。
private static void startConsumer() throws FileNotFoundException, UnsupportedEncodingException {//如果共用一個隊列，那么線程不宜過多，容易出現搶占現象System.out.println("開始消費...");for (int i = 0; i < threadNums; i++) {final int index = i;// 每一個線程負責一個 queue，這樣不會出現線程搶占隊列的情況。new Thread(() -> {while (consumerRunning) {startConsumer = true;try {String str = blockQueueLists.get(index).take();countNum(str);} catch (InterruptedException e) {e.printStackTrace();}).start();2) 多子線程分割字符串
由于從隊列中多到的字符串非常的龐大，如果又是用單線程調用 split(",") 去分割，那么性能同樣會阻塞在這個地方。
// 按照 arr的大小，運用多線程分割字符串private static void countNum(String str) {int[] arr = new int[2];arr[1] = str.length() / 3;for (int i = 0; i < 3; i++) {final String innerStr = SplitData.splitStr(str, arr);new Thread(() -> {String[] strArray = innerStr.split(",");for (String s : strArray) {countMap.computeIfAbsent(s, s1 -> new AtomicInteger(0)).getAndIncrement();}).start();3) 分割字符串算法
分割時從 0 開始，按照等分的原則，將字符串 n 等份，每一個線程分到一份。
用一個 arr 數組的 arr[0] 記錄每次的分割開始位置。arr[1] 記錄每次分割的結束位置，如果遇到的開始的字符不為 "," 那么就 startIndex-1。如果結束的位置不為 "," 那么將 endIndex 向后移一位。
如果 endIndex 超過了字符串的最大長度，那么就把最后一個字符賦值給 arr[1]。
* 按照 x坐標 來分割 字符串，如果切到的字符不為“，”， 那么把坐標向前或者向后移動一位。* @param line* @param arr 存放x1,x2坐標* @returnpublic static String splitStr(String line, int[] arr) {int startIndex = arr[0];int endIndex = arr[1];char start = line.charAt(startIndex);char end = line.charAt(endIndex);if ((startIndex == 0 || start == ',') && end == ',') {arr[0] = endIndex + 1;arr[1] = arr[0] + line.length() / 3;if (arr[1] >= line.length()) {arr[1] = line.length() - 1;return line.substring(startIndex, endIndex);
if (startIndex != 0 && start != ',') {startIndex = startIndex - 1;
if (end != ',') {endIndex = endIndex + 1;
arr[0] = startIndex;arr[1] = endIndex;if (arr[1] >= line.length()) {arr[1] = line.length() - 1;return splitStr(line, arr);測試結果
內存和 CPU 初始占用大小：
啟動后，運行時內存穩定在 11.7G，CPU 穩定利用在 90% 以上。
總耗時由 180 秒縮減到 103 秒，效率提升 75%，得到的結果也與單線程處理的一致。
6. 遇到的問題
如果在運行了的時候，發現 GC 突然罷工不工作了，有可能是 JVM 的堆中存在的垃圾太多，沒回收導致內存的突增。
解決方法
在讀取一定數量后，可以讓主線程暫停幾秒，手動調用 GC。
提示: 本 demo 的線程創建都是手動創建的，實際開發中使用的是線程池。
轉自：Dream_it_possible！， 鏈接：blog.csdn.net/qq_33036061/article/details/124568689
- EOF -
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
