100G超大文件合并排序

Question

目前想实现两个100G文件合并，日志文件，都有日期，日期会有所交集，如一份1日到10日，另一份5日到15日，所以合并后也需要对日期进行排序。

目标是，查询某一时间区段的信息，目前的打算是：

我可以知道每个文件大小和日起始时间，所以若文件过大，就分割它，然后获取分割小文件的的起始时间，时间区段只要稍加限制，同时由于log的连续性和记录频率不太高，就能确保就只有几个小文件包含了用户需要的信息，然后只返回那几小份的文件的信息，然后全部直接扔进内存排序都不怕，效率也可以。

但我想想，是不是也有办法，直接真的可以把2个100G合成一个200G的？或有什么更好的办法，目前在写模板的基本方法，想封装好一点以后不管了。但不知道这个要怎么玩。求教，谢谢！

Answer 1

提供个思路：我觉得你分割的思想其实挺好的，只是实际上并不需要真的分割，你要做的只是维护一个索引文件。就是说通过读一遍文件，每1000条（比方说），将1000条的起始文件偏移和结束偏移更这1000条的起始时间和结束时间关联起来。这样你可以得到一个索引文件。

时间1~时间2，文件1，offset1~offset2
时间3~时间4，文件2，offset3~offset4
...

将来你要查询的时候，先查索引文件，就可以知道需要的数据在哪个文件的什么区间里面了。因为你每个文件本身是按时间排序的，所以在建立索引的时候无需排序。