业务中可能需要对很大量级（比如100亿）的数据（几十G）进行排序或是去重等操作，在不使用Hadoop等工具的情况下如何本地处理呢？

首先可以确定的思路是，将这几十G的文件分成多个小文件，然后分别排序或去重，最后合并。

Hash分割

在分割大文件之前有一个问题，如果数据是包括字母的字符串怎么办？这时我们需要字符串Hash函数，byvoid对一些常用函数做过总结。这里我们使用一种采用md5作为转码规则的函数，几乎不会产生碰撞。

import md5
import sys

class Encoder(object):
    def encode_64(self, input_str):
        md5_obj = md5.new()
        md5_obj.update(input_str)
        md5hex = md5_obj.digest()
        md5sum0 = (ord(md5hex[3]) << 24) | (ord(md5hex[2]) << 16) \
                | (ord(md5hex[1]) << 8) | ord(md5hex[0])
        md5sum1 = (ord(md5hex[7]) << 24) | (ord(md5hex[6]) << 16) \
                | (ord(md5hex[5]) << 8) | ord(md5hex[4])
        md5sum2 = (ord(md5hex[11]) << 24) | (ord(md5hex[10]) << 16) \
                | (ord(md5hex[9]) << 8) | ord(md5hex[8])
        md5sum3 = (ord(md5hex[15]) << 24) | (ord(md5hex[14]) << 16) \
                | (ord(md5hex[13]) << 8) | ord(md5hex[12])
        sign1 = (md5sum0 + md5sum2) & 0xffffffff
        sign2 = (md5sum1 + md5sum3) & 0x7fffffff
        result = (sign1 | (sign2 << 32))
        return str(result)
    
if __name__ == '__main__':
    #a = '0403FCA3FB4EDF022F179D9B48B79674'
    #result = encoder.encode_64(a)
    encoder = Encoder()
    for line in sys.stdin:
        linelist = line.strip().split('\t')
        cuid = linelist[0]
        result = encoder.encode_64(cuid)
        print '%s\t%s' % (result, cuid)

这样我们得到的都是数字，假如想把文件分成1000份，那么需要对每一个数字对1000取模，保证相同的数字在同一个文件内。对质数取模一般能更均匀地映射。

合并

拆分之后就是一堆几十MB的小文件了，对于每个文件都可能放进内存中排序。

之后我们维护一个堆，遍历所有文件取第一个元素，并记录文件号。每拿出一个元素就去那个文件里再取一个（直到文件被读完），调整堆结构，堆中拿出的元素就是最终的结果。

Published under
(CC) BY-NC-SA in categories
杂谈