java - 合并大文件的算法

Question

我有几个事件日志文件（每行一个事件）。日志可能会重叠。日志是在可能来自多个时区的单独客户端计算机上生成的（但我假设我知道时区）。每个事件都有一个标准化为公共时间的时间戳（通过使用适合日志文件的时区实例化每个日志解析器日历实例，然后使用 getTimeInMillis 获取 UTC 时间）。日志已经按时间戳排序。多个事件可以同时发生，但它们绝不是相等的事件。

这些文件可能比较大，例如单个日志中有 500000 个或更多事件，因此将日志的全部内容读入一个简单的 Event[] 是不可行的。

我正在尝试做的是将每个日志中的事件合并到一个日志中。这有点像一个合并排序任务，但每个日志都已经排序，我只需要将它们放在一起。第二个组件是可以在每个单独的日志文件中见证相同的事件，我想在文件输出日志中“删除重复事件”。

这可以“就地”完成吗，例如在每个日志文件的一些小缓冲区上按顺序工作？我不能简单地将所有文件读入 Event[]，对列表进行排序，然后删除重复项，但到目前为止，我有限的编程能力只能让我将其视为解决方案。当我同时从每个日志中读取事件时，是否可以使用一些更复杂的方法来执行此操作？

score 11 · Accepted Answer

从每个日志文件中读取第一行
环形

一种。找到“最早的”行。

湾。将“最早”行插入主日志文件

C。从包含最早行的文件中读取下一行

您可以检查 b 和 c 之间的重复项，推进每个文件的指针。

score 5 · Accepted Answer

当然 - 打开每个日志文件。将每一行的第一行读入一个“当前”行数组。然后从当前数组中重复选择时间戳最低的行。将其写入输出，并从相应的源文件中读取一个新行来替换它。

这是 Python 中的一个示例，但它也可以生成很好的伪代码：

def merge_files(files, key_func):
    # Populate the current array with the first line from each file
    current = [file.readline() for file in files]
    while len(current) > 0:
        # Find and return the row with the lowest key according to key_func
        min_idx = min(range(len(files)), key=lambda x: return key_func(current[x]))
        yield current[min_idx]
        new_line = files[min_idx].readline()
        if not new_line:
            # EOF, remove this file from consideration
            del current[min_idx]
            del files[min_idx]
        else:
            current[min_idx] = new_line

score 1 · Accepted Answer

查看此链接： http: //www.codeodor.com/index.cfm/2007/5/10/Sorting-really-BIG-files/1194

使用堆（基于数组）。此堆/数组中的元素数量将等于您拥有的日志文件的数量。
从所有文件中读取第一条记录并将它们插入到您的堆中。
循环直到（任何文件中都没有更多记录）

      > 从堆中删除最大元素
      > 将其写入输出
      > 从（前一个）最大元素所属的文件中读取下一条记录
          如果该文件中没有更多记录
              从文件列表中删除它
              继续
      > 如果它与（前一个）最大元素不同，则将其添加到堆中

现在您将所有事件都放在一个日志文件中，它们已排序，并且没有重复。该算法的时间复杂度为 (n log k)，其中 n 是记录总数，k 是日志文件数。

在读取和读取文件时，您应该使用缓冲的读取器和缓冲的写入器对象，以最大限度地减少磁盘读取和写入的次数，从而优化时间。

score 1 · Accepted Answer

我们需要按时间顺序合并多个日志文件，每个日志条目具有多行（Java 应用程序经常这样做 - 它们的堆栈跟踪是相同的）。我决定实现简单的 shell+perl 脚本。它涵盖了我们的任务。如果您对此感兴趣 - 请点击链接http://code.google.com/p/logmerge/

score 0 · Accepted Answer

从两个源文件中一次只读取一行。比较这些行并将较旧的行写入输出文件（并前进到下一行）。执行此操作，直到您到达两个文件的末尾并且您已合并文件。

并确保删除重复项:)

我想 C# 中的这段代码可以说明这种方法：

        StringReader fileStream1;
        StringReader fileStream2;
        Event eventCursorFile1 = Event.Parse(fileStream1.ReadLine());
        Event eventCursorFile2 = Event.Parse(fileStream2.ReadLine());

        while !(fileStream1.EOF && fileStream2.EOF)
        {
            if (eventCursorFile1.TimeStamp < eventCursorFile2.TimeStamp)
            {
                WriteToMasterFile(eventCursorFile1);
                eventCursorFile1 = Event.Parse(fileStream1.ReadLine());
            }
            else if (eventCursorFile1.TimeStamp == eventCursorFile2.TimeStamp)
            {
                WriteToMasterFile(eventCursorFile1);
                eventCursorFile1 = Event.Parse(fileStream1.ReadLine());
                eventCursorFile2 = Event.Parse(fileStream2.ReadLine());
            }
            else
            {
                WriteToMasterFile(eventCursorFile1);
                eventCursorFile2 = Event.Parse(fileStream2.ReadLine());
            }  
        }

中断条件并不完全正确，因为这只是 Quick'n'dirty，但它应该看起来相似..

score 0 · Accepted Answer

或者，您可以从开源网站统计工具 Awstats 借用日志合并实用程序。

logresolvemerge.pl是一个可以合并多个日志文件的 perl 脚本：您甚至可以使用多个线程来合并日志文件（需要有 perl 5.8 才能使用多线程）。您为什么不尝试使用现成的工具而不是构建一个？

java - 合并大文件的算法

6 回答 6

Related

Reference