1. Bit Map算法简介

来自于《编程珠玑》。所谓的Bit-map就是用一个bit位来标记某个元素对应的Value, 而Key即是该元素。由于采用了Bit为单位来存储数据,因此在存储空间方面,可以大大节省。

2、 Bit Map的基本思想

我们先来看一个具体的例子,假设我们要对0-7内的5个元素(4,7,2,5,3)排序(这里假设这些元素没有重复)。那么我们就可以采用Bit-map的方法来达到排序的目的。要表示8个数,我们就只需要8个Bit(1Bytes),首先我们开辟1Byte的空间,将这些空间的所有Bit位都置为0,如下图:
                                                       

然后遍历这5个元素,首先第一个元素是4,那么就把4对应的位置为1(可以这样操作 p+(i/8)|(0x01<<(i%8)) 当然了这里的操作涉及到Big-ending和Little-ending的情况,这里默认为Big-ending),因为是从零开始的,所以要把第五位置为一(如下图):

然后再处理第二个元素7,将第八位置为1,,接着再处理第三个元素,一直到最后处理完所有的元素,将相应的位置为1,这时候的内存的Bit位的状态如下:

然后我们现在遍历一遍Bit区域,将该位是一的位的编号输出(2,3,4,5,7),这样就达到了排序的目的。

优点:

1.运算效率高,不许进行比较和移位;

2.占用内存少,比如N=10000000;只需占用内存为N/8=1250000Byte=1.25M。 
缺点:

所有的数据不能重复。即不可对重复的数据进行排序和查找。

算法思想比较简单,但关键是如何确定十进制的数映射到二进制bit位的map图。

3、 Map映射表

假设需要排序或者查找的总数N=10000000,那么我们需要申请内存空间的大小为int a[1 + N/32],其中:a[0]在内存中占32为可以对应十进制数0-31,依次类推: 
bitmap表为: 
a[0]--------->0-31 
a[1]--------->32-63 
a[2]--------->64-95 
a[3]--------->96-127 
.......... 
那么十进制数如何转换为对应的bit位,下面介绍用位移将十进制数转换为对应的bit位。

3、 位移转换

申请一个int一维数组,那么可以当作为列为32位的二维数组,

|                           32位                                       |

int a[0]    |0000000000000000000000000000000000000|

int a[1]    |0000000000000000000000000000000000000|

………………

int a[N]   |0000000000000000000000000000000000000|

例如十进制0,对应在a[0]所占的bit为中的第一位: 00000000000000000000000000000001 
0-31:对应在a[0]中 
i =0                            00000000000000000000000000000000 
temp=0                     00000000000000000000000000000000 
answer=1                 00000000000000000000000000000001

i =1                            00000000000000000000000000000001 
temp=1                     00000000000000000000000000000001 
answer=2                 00000000000000000000000000000010

i =2                            00000000000000000000000000000010 
temp=2                     00000000000000000000000000000010 
answer=4                 00000000000000000000000000000100

i =30                              00000000000000000000000000011110 
temp=30                       00000000000000000000000000011110

answer=1073741824  01000000000000000000000000000000

i =31                               00000000000000000000000000011111 
temp=31                         00000000000000000000000000011111 
answer=-2147483648 10000000000000000000000000000000

32-63:对应在a[1]中 
i =32                            00000000000000000000000000100000 
temp=0                        00000000000000000000000000000000 
answer=1                    00000000000000000000000000000001

i =33                            00000000000000000000000000100001 
temp=1                       00000000000000000000000000000001 
answer=2                    00000000000000000000000000000010

i =34                            00000000000000000000000000100010 
temp=2                        00000000000000000000000000000010 
answer=4                    00000000000000000000000000000100

i =61                              00000000000000000000000000111101 
temp=29                       00000000000000000000000000011101 
answer=536870912    00100000000000000000000000000000

i =62                               00000000000000000000000000111110 
temp=30                        00000000000000000000000000011110 
answer=1073741824  01000000000000000000000000000000

i =63                                00000000000000000000000000111111 
temp=31                         00000000000000000000000000011111 
answer=-2147483648  10000000000000000000000000000000

浅析上面的对应表,分三步: 
1.求十进制0-N对应在数组a中的下标: 
十进制0-31,对应在a[0]中,先由十进制数n转换为与32的余可转化为对应在数组a中的下标。比如n=24,那么 n/32=0,则24对应在数组a中的下标为0。又比如n=60,那么n/32=1,则60对应在数组a中的下标为1,同理可以计算0-N在数组a中的下标。

2.求0-N对应0-31中的数:

十进制0-31就对应0-31,而32-63则对应也是0-31,即给定一个数n可以通过模32求得对应0-31中的数。

3.利用移位0-31使得对应32bit位为1.

找到对应0-31的数为M, 左移M位:2^M. 然后置1.

由此我们计算10000000个bit占用的空间:

1byte = 8bit

1kb = 1024byte

1mb = 1024kb

占用的空间为:10000000/8/1024/1024mb。

大概为1mb多一些。

3、 扩展

Bloom filter可以看做是对bit-map的扩展

4、 Bit-Map的应用

1)可进行数据的快速查找,判重,删除,一般来说数据范围是int的10倍以下。

2)去重数据而达到压缩数据

5、 Bit-Map的具体实现

c语言实现:

  1. #define BITSPERWORD 32
  2. #define SHIFT 5
  3. #define MASK 0x1F
  4. #define N 10000000
  5. int a[1 + N/BITSPERWORD];//申请内存的大小
  6. //set 设置所在的bit位为1
  7. void set(int i) {
  8. a[i>>SHIFT] |=  (1<<(i & MASK));
  9. }
  10. //clr 初始化所有的bit位为0
  11. void clr(int i) {
  12. a[i>>SHIFT] &= ~(1<<(i & MASK));
  13. }
  14. //test 测试所在的bit为是否为1
  15. int  test(int i){
  16. return a[i>>SHIFT] &   (1<<(i & MASK));
  17. }
  18. int main()
  19. {   int i;
  20. for (i = 0; i < N; i++)
  21. clr(i);
  22. while (scanf("%d", &i) != EOF)
  23. set(i);
  24. for (i = 0; i < N; i++)
  25. if (test(i))
  26. printf("%d\n", i);
  27. return 0;
  28. }

注明: 左移n位就是乘以2的n次方,右移n位就是除以2的n次方

解析本例中的void set(int i) {        a[i>>SHIFT] |=  (1<<(i & MASK)); }
1)  i>>SHIFT: 
其中SHIFT=5,即i右移5为,2^5=32,相当于i/32,即求出十进制i对应在数组a中的下标。比如i=20,通过i>>SHIFT=20>>5=0 可求得i=20的下标为0;

2)  i & MASK: 
其中MASK=0X1F,十六进制转化为十进制为31,二进制为0001 1111,i&(0001 1111)相当于保留i的后5位。

比如i=23,二进制为:0001 0111,那么 
                         0001 0111 
                   &    0001 1111 = 0001 0111 十进制为:23 
比如i=83,二进制为:0000 0000 0101 0011,那么 
                          0000 0000 0101 0011 
                     &   0000 0000 0001 0000 = 0000 0000 0001 0011 十进制为:19

i & MASK相当于i%32。

3) 1<<(i & MASK) 
相当于把1左移 (i & MASK)位。 
比如(i & MASK)=20,那么i<<20就相当于: 
         0000 0000 0000 0000 0000 0000 0000 0001 << 20 
       =0000 0000 0001 0000 0000 0000 0000 0000

注意上面 “|=”.

在博文:位运算符及其应用 提到过这样位运算应用:

 将int型变量a的第k位清0,即a=a&~(1<<k)
 将int型变量a的第k位置1, 即a=a|(1<<k)

这里的将  a[i/32] |= (1<<M)); 第M位置1 .

4) void set(int i) {        a[i>>SHIFT]  |=  (1<<(i & MASK)); }等价于:

  1. void set(int i)
  2. {
  3. a[i/32] |= (1<<(i%32));
  4. }

即实现上面提到的三步:

1.求十进制0-N对应在数组a中的下标: n/32

2.求0-N对应0-31中的数: N%32=M

3.利用移位0-31使得对应32bit位为1: 1<<M,并置1;

php实现是一样的:

  1. <?php
  2. error_reporting(E_ERROR);
  3. define("MASK", 0x1f);//31
  4. define("BITSPERWORD",32);
  5. define("SHIFT",5);
  6. define("MASK",0x1F);
  7. define("N",1000);
  8. $a = array();
  9. //set 设置所在的bit位为1
  10. function set($i) {
  11. global $a;
  12. $a[$i>>SHIFT] |=  (1<<($i & MASK));
  13. }
  14. //clr 初始化所有的bit位为0
  15. function clr($i) {
  16. $a[$i>>SHIFT] &= ~(1<<($i & MASK));
  17. }
  18. //test 测试所在的bit为是否为1
  19. function test($i){
  20. global $a;
  21. return $a[$i>>SHIFT] & (1<<($i & MASK));
  22. }
  23. $aa = array(1,2,3,31, 33,56,199,30,50);
  24. while ($v =current($aa))  {
  25. set($v);
  26. if(!next($aa)) {
  27. break;
  28. }
  29. }
  30. foreach ($a as $key=>$v){
  31. echo $key,'=', decbin($v),"\r\n";
  32. }

然后我们打印结果:

0=11000000000000000000000000001110
1=1000001000000000000000010
6=10000000

32位表示,实际结果一目了然了,看看1,2,3,30,31, 33,50,56,199数据所在的具体位置:

31    30                                                                                        3     2     1

                                                                                              

0=    1     1    00       0000   0000   0000   0000    0000     0000   1     1   1  0

56                 50                                                33

                                                                    
1=  0000     0001    0000   0100   0000    0000     0000    0010

199


6=  0000  0000    0000   0000   0000    0000    1000    0000

【问题实例】

已知某个文件内包含一些电话号码,每个号码为8位数字,统计不同号码的个数。

8位最多99 999 999,大概需要99m个bit,大概10几m字节的内存即可。 (可以理解为从0-99 999 999的数字,每个数字对应一个Bit位,所以只需要99M个Bit==1.2MBytes,这样,就用了小小的1.2M左右的内存表示了所有的8位数的电话)

2)2.5亿个整数中找出不重复的整数的个数,内存空间不足以容纳这2.5亿个整数。 
将bit-map扩展一下,用2bit表示一个数即可,0表示未出现,1表示出现一次,2表示出现2次及以上,在遍历这些数的时候,如果对应位置的值是0,则将其置为1;如果是1,将其置为2;如果是2,则保持不变。或者我们不用2bit来进行表示,我们用两个bit-map即可模拟实现这个2bit-map,都是一样的道理。

实现:

  1. // TestWin32.cpp : Defines the entry point for the console application.
  2. #include "stdafx.h"
  3. #include<memory.h>
  4. //用char数组存储2-Bitmap,不用考虑大小端内存的问题
  5. unsigned char flags[1000]; //数组大小自定义
  6. unsigned get_val(int idx)  {
  7. //  |    8 bit  |
  8. //  |00 00 00 00|  //映射3 2 1 0
  9. //  |00 00 00 00|  //表示7 6 5 4
  10. //  ……
  11. //  |00 00 00 00|
  12. int i = idx/4;  //一个char 表示4个数,
  13. int j = idx%4;
  14. unsigned ret = (flags[i]&(0x3<<(2*j)))>>(2*j);
  15. //0x3是0011 j的范围为0-3,因此0x3<<(2*j)范围为00000011到11000000 如idx=7 i=1 ,j=3 那么flags[1]&11000000, 得到的是|00 00 00 00|
  16. //表示7 6 5 4
  17. return ret;
  18. }
  19. unsigned set_val(int idx, unsigned int val)  {
  20. int i = idx/4;
  21. int j = idx%4;
  22. unsigned tmp = (flags[i]&~((0x3<<(2*j))&0xff)) | (((val%4)<<(2*j))&0xff);
  23. flags[i] = tmp;
  24. return 0;
  25. }
  26. unsigned add_one(int idx)
  27. {
  28. if (get_val(idx)>=2) {  //这一位置上已经出现过了??
  29. return 1;
  30. }  else  {
  31. set_val(idx, get_val(idx)+1);
  32. return 0;
  33. }
  34. }
  35. //只测试非负数的情况;
  36. //假如考虑负数的话,需增加一个2-Bitmap数组.
  37. int a[]={1, 3, 5, 7, 9, 1, 3, 5, 7, 1, 3, 5,1, 3, 1,10,2,4,6,8,0};
  38. int main()   {
  39. int i;
  40. memset(flags, 0, sizeof(flags));
  41. printf("原数组为:");
  42. for(i=0;i < sizeof(a)/sizeof(int); ++i)  {
  43. printf("%d  ", a[i]);
  44. add_one(a[i]);
  45. }
  46. printf("\r\n");
  47. printf("只出现过一次的数:");
  48. for(i=0;i < 100; ++i)  {
  49. if(get_val(i) == 1)
  50. printf("%d  ", i);
  51. }
  52. printf("\r\n");
  53. return 0;
  54. }
  55. 出处:http://blog.csdn.net/hguisu/article/details/7880288

海量数据处理算法—BitMap的更多相关文章

  1. 海量数据处理算法—Bit-Map

    原文:http://blog.csdn.net/hguisu/article/details/7880288 1. Bit Map算法简介 来自于<编程珠玑>.所谓的Bit-map就是用一 ...

  2. 海量数据处理算法—Bloom Filter

    海量数据处理算法—Bloom Filter 1. Bloom-Filter算法简介 Bloom-Filter,即布隆过滤器,1970年由Bloom中提出.它可以用于检索一个元素是否在一个集合中. Bl ...

  3. php 大数据量及海量数据处理算法总结

    下面的方法是我对海量数据的处理方法进行了一个一般性的总结,当然这些方法可能并不能完全覆盖所有的问题,但是这样的一些方法也基本可以处理绝大多数遇到的问题.下面的一些问题基本直接来源于公司的面试笔试题目, ...

  4. 海量数据处理之BitMap

    有这样一种场景:一台普通PC,2G内存,要求处理一个包含40亿个不重复并且没有排过序的无符号的int整数,给出一个整数,问如果快速地判断这个整数是否在文件40亿个数据当中? 问题思考: 40亿个int ...

  5. 【转】海量数据处理算法-Bloom Filter

    1. Bloom-Filter算法简介 Bloom Filter(BF)是一种空间效率很高的随机数据结构,它利用位数组很简洁地表示一个集合,并能判断一个元素是否属于这个集合.它是一个判断元素是否存在于 ...

  6. 海量数据处理算法(top K问题)

    举例 有一个1G大小的一个文件,里面每一行是一个词,词的大小不超过16字节,内存限制大小是1M.返回频数最高的100个词. 思路 首先把文件分开 针对每个文件hash遍历,统计每个词语的频率 使用堆进 ...

  7. (面试)Hash表算法十道海量数据处理面试题

    Hash表算法处理海量数据处理面试题 主要针对遇到的海量数据处理问题进行分析,参考互联网上的面试题及相关处理方法,归纳为三种问题 (1)数据量大,内存小情况处理方式(分而治之+Hash映射) (2)判 ...

  8. 从hadoop框架与MapReduce模式中谈海量数据处理

    http://blog.csdn.net/wind19/article/details/7716326 前言 几周前,当我最初听到,以致后来初次接触Hadoop与MapReduce这两个东西,我便稍显 ...

  9. 从Hadoop框架与MapReduce模式中谈海量数据处理(含淘宝技术架构) (转)

    转自:http://blog.csdn.net/v_july_v/article/details/6704077 从hadoop框架与MapReduce模式中谈海量数据处理 前言 几周前,当我最初听到 ...

随机推荐

  1. ssm(Spring、Springmvc、Mybatis)实战之淘淘商城-第十三天(非原创)

    文章大纲 一.课程介绍二.SolrCloud介绍与搭建三.工程部署四.参考资料下载五.参考文章   一.课程介绍 一共14天课程(1)第一天:电商行业的背景.淘淘商城的介绍.搭建项目工程.Svn的使用 ...

  2. 一、 Spring Cloud Eureka ,咱们先跑起来

    一.Spring Cloud 简介 Spring Cloud 是一个基于Spring Boot 实现的微服务架构开发工具.是一个涉及到服务治理.分布式配置管理.负载均衡.服务容错.API网关.消息总线 ...

  3. form表单多文件上传

    1.html/jsp主页 <%@ page language="java" contentType="text/html; charset=UTF-8" ...

  4. hadoop启动中缺少datanode

    原文链接地址:https://blog.csdn.net/islotus/article/details/78357857 本人测试有效: 首先删除hadoop下的dfs文件(注:本文件不一定在had ...

  5. SqlServer图形数据库初体验

    SQL Server2017新增了一个新功能叫做图形数据库.图形指的拓扑图形,是一些Node表和Edge表的合集,Node对应关系数据库中的实体,比如一个人.一个岗位等,Edge表指示Node之前的关 ...

  6. IOS view拖拽(触摸事件)

    • iOS中的事件可以分为3大类型 触摸事件 加速计事件 远程控制事件 响应者对象 • 在iOS中不是任何对象都能处理事件,只有继承了UIResponder的对象才能接收并处理事 件.我们称之为“响应 ...

  7. JAVA设计模式初探之桥接模式

    生活中的一个例子:    拿汽车在路上行驶的来说.既有小汽车又有公共汽车,它们都不但能在市区中的公路上行驶,也能在高速公路上行驶.这你会发现,对于交通工具(汽车)有不同的类型,它们所行驶的环境(路)也 ...

  8. noip模拟赛#24

    这套题我只会写第二题...我... T1:给出一个含有向边和无向边的混合图,如何确定无向边的方向使得图中不存在环.保证有解.多解情况输出任意解. =>我往最大流的残量网络的方向去想了...因为混 ...

  9. hdu-1317 XYZZY---Floyd判连通+bellman最短路

    题目链接: http://acm.hdu.edu.cn/showproblem.php?pid=1317 题目大意: 题意:有n个房间(n<=100),每个房间有一个点权(第1号房间和第n号房间 ...

  10. vim 编辑器的使用方法

    vim 命令模式       默认打开文件为命令模式 命令行模式     shift+: 命令行模式 编辑模式       i 编辑模式 Esc 切换命令模式 命令模式 -----字符操作 i   当 ...