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 19:05
 */
public 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4M
            if (i % 1000000 == 0) {
                bos.write("
");
            }
        }
        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：

privatestaticvoidreadData()throwsIOException{
    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：

privatestaticListString>>blockQueueLists=newLinkedList<>();

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256
for (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：

privatestaticAtomicLongcount=newAtomicLong(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 classSplitData{
publicstaticvoidsplitLine(StringlineData){
        String[] arr = lineData.split("
");
        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++) {
finalStringinnerStr=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
 * @return
 */
public 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。

審核編輯 ：李倩