如何实现一个分布式排序

2018-04-21 23:35:18 +08:00
 SlipStupig

假设我有 5TB 大小的json数据,需要排序.
我想实现一个分布式排序, 我想到的是把数据先切割然后按 算数平均 大小分成分若干份,分配到 n 台服务器上,然后合并在一起。

但问题是在多台服务排序完成后,如何合并能保证 n 台服务器的结果合并, 合并顺序保证有序的呢?

5212 次点击
所在节点    程序员
20 条回复
verrickt
2018-04-21 23:38:44 +08:00
归并排序?
axknightroad
2018-04-21 23:39:00 +08:00
归并排序了解一下
WildCat
2018-04-21 23:40:19 +08:00
merge sort
geelaw
2018-04-21 23:41:58 +08:00
看起来这个问题并不是很 trivial,你需要更清楚地描述数据是怎么存起来的。

比如 5TB 的 JSON 数据是已经切割好的,还是一个单体是 5TB ?后者的话,需要根据数据的情况设计一个 on-the-fly 切割器比较好。

然后没有理解你说的“切割后按照算术平均分成若干份”,切两次?怎么“按照算术平均数”切分?

对于这个问题,似乎没有看到什么 speculative 的地方需要用什么特别的切分方式,随便切成好几份就行了。

最后把有序列表归并一下就好了(归并排序的归并)。不过每台服务器可以根据自身的情况用混合式排序法,比如:每个服务器先尝试归并切分,大小适合 in-memory 排序之后改用快排,但限制深度,超过深度用堆排,并且当切到足够小用插入排序等。当然这是一个比较 trivial 的细节了。
wweir
2018-04-21 23:50:45 +08:00
我在考虑直接使用任务队列来实现分布式任务分配
或者找找专门的分布式排序算法
常规的算法,都是至少需要单机过一次完整的数据
lsylsy2
2018-04-21 23:56:22 +08:00
SlipStupig
2018-04-21 23:56:38 +08:00
@geelaw 非常感谢,5tb 数据在一个文件里面,我说的切割方法是按照文件中的 json 文档(一个文件里面有多个 json )总个数,算数平均是:sum ( json 个数)/服务器数量,我看大家都推荐 merge sort,我还是不知道具体咋操作
MiffyLiye
2018-04-22 00:27:06 +08:00
搜索 external merge sort,然后 copy & paste。
vegito2002
2018-04-22 01:13:31 +08:00
随机分配到服务器上, 每个服务器上完成自己的排序, 然后 google k-merge
sivacohan
2018-04-22 01:27:39 +08:00
map reduce ?
catror
2018-04-22 02:16:11 +08:00
上学的时候写过类似的,当时应该是用 OpenMPI 写的,记得 API 挺易用的,可以了解下。
msg7086
2018-04-22 03:03:19 +08:00
@SlipStupig Merge sort 是算法,你要是自己实现呢,就自己写个程序做,要是自己不会写呢,就找找看有没有现成的包咯。
swulling
2018-04-22 03:33:28 +08:00
别自己造轮子了,一个文件多个 JSON 那就好办的很。直接用 Spark 吧
billlee
2018-04-22 04:09:38 +08:00
terasort
laxenade
2018-04-22 04:29:37 +08:00
不要自己瞎造轮子+1 spark, es 什么的先试试
luban
2018-04-22 05:05:16 +08:00
我们用 map-reduce 做过,数据量大小 10T 左右,key 的量级 2000 亿,排序好后写入 hbase,供后续查询
5T 的数据,看 json 大小和 key 的数量,还是很需要计算资源的
我们当时是 100 台的 Hadoop 集群跑了 3 天左右,集群的单机配置大概是 128G 内存+10 核 20 线程 /20 核 40 线程,当然我们这个还包括了生成 key/value,排序及写入 hbase 的时间,主要耗时还是在排序这块
swulling
2018-04-22 10:31:21 +08:00
@luban 10T 排序 100 台 128g 机器 3 天有点太慢了吧。
owenliang
2018-04-22 11:30:34 +08:00
hive 写 sql 了解一下
param
2018-04-23 02:06:44 +08:00
首先想到归并排序。。。
jameslan
2018-04-23 11:48:02 +08:00
5t 数据还需要排序的场景很少见啊,楼主三思

这是一个专为移动设备优化的页面(即为了让你能够在 Google 搜索结果里秒开这个页面),如果你希望参与 V2EX 社区的讨论,你可以继续到 V2EX 上打开本讨论主题的完整版本。

https://www.v2ex.com/t/448795

V2EX 是创意工作者们的社区,是一个分享自己正在做的有趣事物、交流想法,可以遇见新朋友甚至新机会的地方。

V2EX is a community of developers, designers and creative people.

© 2021 V2EX