淘宝2012校招技术笔试题

实现五：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<String, Integer> hMap1 = cw1.getResult();
                        HashMap<String, Integer> hMap2 = cw2.getResult();
                        //使用TreeMap保证结果有序
                        TreeMap<String, Integer> tMap = new TreeMap<String, Integer>();
                        //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,Integer> entry : tMap.entrySet()) {
                            String key = entry.getKey();
                            int value = entry.getValue();
                            System.out.println(key+":	"+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<String, Integer> src, File dst) {
        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,Integer> entry : src.entrySet()) {
                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+":	"+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<String, Integer> hm;

    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<String,Integer>();
        } 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<String, Integer> getResult() {
        return hm;
    }
}

以上代码是我自己实现的，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。

望同行给予批评指导，相信有更好的解决办法和思路，如果能帮着优化以上代码，请给予留言，或者发邮件至bluesky_taotao@163.com，真诚欢迎各位编程爱好者与我讨论相关技术问题。