from：http://blog.csdn.net/tsyj810883979/article/details/6876986
问题：统计一个单词可重复的英文文件（假设4G）中每个单词出现的次数，把结果按照英文排序放入一个文件中。并能够检索特定单词的出现次数。由于文件过大，不重复单词总数有限，需要考虑到执行速度和内存使用情况。（淘宝笔试技术题）
——————————————————————————————————————————————————————————
import java.io.File;
import java.io.FileNotFoundException;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.RandomAccessFile;
import java.nio.ByteBuffer;
import java.nio.MappedByteBuffer;
import java.nio.channels.FileChannel;
import java.nio.channels.FileLock;
import java.nio.charset.Charset;
import java.util.HashMap;
import java.util.Map;
import java.util.StringTokenizer;
import java.util.TreeMap;
public class TestCountWords {
public static void main(String[] args) {
File wf = new File("words.txt");
final CountWords cw1 = new CountWords(wf, 0, wf.length()/2);
final CountWords cw2 = new CountWords(wf, wf.length()/2, wf.length());
final Thread t1 = new Thread(cw1);
final Thread t2 = new Thread(cw2);
//开辟两个线程分别处理文件的不同片段
t1.start();
t2.start();
Thread t = new Thread() {
public void run() {
while(true) {
//两个线程均运行结束
if(Thread.State.TERMINATED==t1.getState() && Thread.State.TERMINATED==t2.getState()) {
//获取各自处理的结果
HashMap
HashMap
//使用TreeMap保证结果有序
TreeMap
//对不同线程处理的结果进行整合
tMap.putAll(hMap1);
tMap.putAll(hMap2);
//打印输出，查看结果
for(Map.Entry
String key = entry.getKey();
int value = entry.getValue();
System.out.println(key+":\t"+value);
}
//将结果保存到文件中
mapToFile(tMap, new File("result.txt"));
}
return;
}
}
};
t.start();
}
//将结果按照 "单词：次数" 格式存在文件中
private static void mapToFile(Map
try {
//对将要写入的文件建立通道
FileChannel fcout = new FileOutputStream(dst).getChannel();
//使用entrySet对结果集进行遍历
for(Map.Entry
String key = entry.getKey();
int value = entry.getValue();
//将结果按照指定格式放到缓冲区中
ByteBuffer bBuf = ByteBuffer.wrap((key+":\t"+value).getBytes());
fcout.write(bBuf);
bBuf.clear();
}
} catch (FileNotFoundException e) {
e.printStackTrace();
} catch (IOException e) {
e.printStackTrace();
}
}
}
class CountWords implements Runnable {
private FileChannel fc;
private FileLock fl;
private MappedByteBuffer mbBuf;
private HashMap
public CountWords(File src, long start, long end) {
try {
//得到当前文件的通道
fc = new RandomAccessFile(src, "rw").getChannel();
//锁定当前文件的部分
fl = fc.lock(start, end, false);
//对当前文件片段建立内存映射，如果文件过大需要切割成多个片段
mbBuf = fc.map(FileChannel.MapMode.READ_ONLY, start, end);
//创建HashMap实例存放处理结果
hm = new HashMap
} catch (FileNotFoundException e) {
e.printStackTrace();
} catch (IOException e) {
e.printStackTrace();
}
}
@Override
public void run() {
String str = Charset.forName("UTF-8").decode(mbBuf).toString();
//使用StringTokenizer分析单词
StringTokenizer token = new StringTokenizer(str);
String word;
while(token.hasMoreTokens()) {
//将处理结果放到一个HashMap中，考虑到存储速度
word = token.nextToken();
if(null != hm.get(word)) {
hm.put(word, hm.get(word)+1);
} else {
hm.put(word, 1);
}
}
try {
//释放文件锁
fl.release();
} catch (IOException e) {
e.printStackTrace();
}
return;
}
//获取当前线程的执行结果
public HashMap
return hm;
}
}
以上代码的主要思想是：
1.使用具有键值对结构的HashMap来快速存取；
2.由于文件过大，用一个线程处理可能结果较慢，使用到并发机制；
3.IO操作比较耗时，所以使用了nio的相关内容；
4.最终结果要有序的话，可以使用TreeMap。
5.分开并行处理，最后合并结果，是不是有点 MapReduce 的味道呢？
类似问题有：
有10个1G大小的英文文件，每行中有一个英文单词，内存限制是1M，返回频数最高的100个单词。
循环一次将文件映射到内存中，每次映射1M，把处理结果放到一个文件中，最终将所有文件内容重新存入map中，对map合并，可得出结果。