C++：位图与布隆过滤器

位图概念

1. 【面试题】

给40亿个不重复的无符号整数，没排过序。给一个无符号整数，如何快速判断一个数是否在这40亿个数中。

三种解法如下：

1. 遍历，时间复杂度O(N)。
2. 排序 $(O(NlogN))$，利用二分查找: $logN$（有足够的内存去排序）
3. 位图解决（推荐解法）

数据是否在给定的整形数据中，结果是在或者不在，刚好是两种状态，那么可以使用一个二进制比特位来代表数据是否存在的信息，如果二进制比特位为1，代表存在，为0代表不存在。 比如:

2. 位图概念

所谓位图，就是用每一位来存放某种状态，适用于海量数据，数据无重复的场景。通常是用来判断某个数据存不存在的。

位图的实现

class bitset
{
public:
    bitset(size_t bitCount) : 
        _bit((bitCount >> 5) + 1), 
        _bitCount(bitCount)
    {}

    // 将which比特位置1 
    void set(size_t which) {
        if (which > _bitCount)
            return;
        size_t index = (which >> 5);
        size_t pos = which % 32;
        _bit[index] |= (1 << pos);
    }

    // 将which比特位置0
    void reset(size_t which) {
        if (which > _bitCount)
            return;
        size_t index = (which >> 5);
        size_t pos = which % 32;
        _bit[index] &= ~(1 << pos);
    }

    // 检测位图中which是否为1 
    bool test(size_t which) {
        if (which > _bitCount)
            return false;
        size_t index = (which >> 5);
        size_t pos = which % 32;
        
        return _bit[index] & (1 << pos);
    }

    // 获取位图中比特位的总个数
    size_t size()const 
    { 
        return _bitCount; 
    } 
    
    // 位图中含比特为1的个数
    size_t count()
    {
        // \数字  表实对应的数字（八进制省略0）
        const char* pCount = "\0\1\1\2\1\2\2\3\1\2\2\3\2\3\3\4";
                            // 0 1 2 3 4 5 6 7 8 9 a b c d e f（十六进制中含1的个数）

        size_t size = _bit.size();
        size_t count = 0;
        size_t i;
        for (i = 0; i < size; i++)
        {
            int value = _bit[i];
            int j;

            // sizeof(_bit[0]) 是为了防止某些系统的int大小不固定
            for (j = 0; j < sizeof(_bit[0]); j++, value >>= 8)
            {
                // 利用c进行截断（value32位，取低8位）
                char c = value;

                // 先看C的低4位，再看高4位（一次统计一个字节）
                count += pCount[c & 0x0f];
                c >> 4;
                count += pCount[c & 0x0f];
            }
        }
        return count;
    }
private:
    vector<int> _bit;
    size_t _bitCount;
};

位图的应用

1. 快速查找某个数据是否在一个集合中

2. 排序

3. 求两个集合的交集、并集等

4. 操作系统中磁盘块标记

位图习题：

1. 给一个超过100G大小的log file, log中存着IP地址, 设计算法找到出现次数最多的IP地址? 与上题条件相同， 如何找到top K的IP?如何直接用Linux系统命令实现?

Hash分桶法：

将100G文件分成1000份，将每个IP地址映射到相应文件中：file_id = hash(ip) % 1000

在每个文件中分别求出最高频的IP，再合并Hash分桶法；

使用Hash分桶法把数据分发到不同的文件；

各个文件分别统计top K；

Linux系统命令:sort log_file | uniq -c | sort -nr | head -K(得到前几名)
　　
2. 给定100亿个整数，设计算法找到只出现一次的整数?

Hash分桶法，将100亿个整数映射到不同的区间，在每个区间中分别找只出现一次的整数。

利用位图（设置两个位图），遍历每个区间的整数，遍历的过程中给现的数在第一个位图中置1，如果遍历的过程中，发现这一位是1，则给第二个位图中此位置置1，这样遍历结束后，对比两个位图，找到只出现一次的整数（第一个位图位置为1，第二个位图位置为0，再还原回去，得到此数）

3. 给两个文件，分别有100亿个整数，我们只有1G内存，如何找到两个文件交集?

解法1 ： 一个int的位存为512MB（这里的整数是32bit的话）

利用位图（设置两个位图,两个文件各给一个位图）。遍历第一个文件给出现的数在第一个位图中置1，遍历第二个文件给出现的数在第二个位图中置1，对比两个位图，找到相同位上皆为1，找到交集。

解法2 ： 保险的方法应该是使用：桶分+组内bitmap。

使用hash函数将第一个文件的所有整数映射到1000个文件中，每个文件有1000万个整数，大约40M内存，
内存可以放下，把1000个文件记为 a1,a2,a3…a1000,用同样的hash函数映射第二个文件到1000个文件中，这1000个文件记为b1,b2,b3…b1000，由于使用的是相同的hash函数，所以两个文件中一样的数字会被分配到文件下标一致的文件中，分别对a1和b1求交集，a2和b2求交集，ai和bi求交集，最后将结果汇总，即为两个文件的交集

4. 1个文件有100亿个int，1G内存，设计算法找到出现次数超过2次的所有整数

Bitmap扩展：用2个bit表示状态，00表示未出现，01出现过1次，10出现过2次，11表示出现过2次以上。

布隆过滤器

布隆过滤器提出

我们在使用新闻客户端看新闻时，它会给我们不停地推荐新的内容，它每次推荐时要去重，去掉那些已经看过的内容。问题来了，新闻客户端推荐系统如何实现推送去重的? 用服务器记录了用户看过的所有历史记录，当推荐系统推荐新闻时会从每个用户的历史记录里进行筛选，过滤掉那些已经存在的记录。 如何快速查找呢?

1. 用哈希表存储用户记录，缺点:浪费空间
2. 用位图存储用户记录，缺点:不能处理哈希冲突
3. 将哈希与位图结合，即布隆过滤器

布隆过滤器概念

布隆过滤器是由布隆(Burton Howard Bloom)在1970年提出的一种紧凑型的、比较巧妙的概率型数据结构，特点是高效地插入和查询，可以用来告诉你 “某样东西一定不存在或者可能存在”，它是用多个哈希函数，将一个数据映射到位图结构中。此种方式不仅可以提升查询效率，也可以节省大量的内存空间。

向布隆过滤器中插入:"baidu"

// 假设布隆过滤器中元素类型为K，每个元素对应5个哈希函数
template<class K, class KToInt1 = KeyToInt1, class KToInt2 = KeyToInt2,
    class KToInt3 = KeyToInt3, class KToInt4 = KeyToInt4,
    class KToInt5 = KeyToInt5>
    class BloomFilter
{
public:
    BloomFilter(size_t size) : // 布隆过滤器中元素个数 
        _bmp(5*size),
        _size(0)
    {}
    bool Insert(const K& key)
    {
        size_t bitCount = _bmp.Size();
        size_t index1 = KToInt1()(key) % bitCount;
        size_t index2 = KToInt2()(key) % bitCount;
        size_t index3 = KToInt3()(key) % bitCount;
        size_t index4 = KToInt4()(key) % bitCount;
        size_t index5 = KToInt5()(key) % bitCount;
        _bmp.Set(index1); _bmp.Set(index2); _bmp.Set(index3);
        _bmp.Set(index4); _bmp.Set(index5);
        _size++;
    } 
private:
    bitset _bmp;
    size_t _size; // 实际元素的个数 
}

布隆过滤器的查找

布隆过滤器的思想是将一个元素用多个哈希函数映射到一个位图中，因此被映射到的位置的比特位一定为1。 所以可以按照以下方式进行查找:分别计算每个哈希值对应的比特位置存储的是否为零，只要有一个为零， 代表该元素一定不在哈希表中，否则可能在哈希表中。

bool IsInBloomFilter(const K& key)
{
    size_t bitCount = _bmp.Size();
    size_t index1 = KToInt1()(key) % bitCount;
    if (!_bmp.Test(index1))
        return false;
    size_t index2 = KToInt2()(key) % bitCount;
    if (!_bmp.Test(index2))
        return false;
    size_t index3 = KToInt3()(key) % bitCount;
    if (!_bmp.Test(index3))
        return false;
    size_t index4 = KToInt4()(key) % bitCount;
    if (!_bmp.Test(index4))
        return false;
    size_t index5 = KToInt5()(key) % bitCount;
    if (!_bmp.Test(index5))
        return false; 
    return true; // 有可能在
}

注意:布隆过滤器如果说某个元素不存在时，该元素一定不存在，如果该元素存在时，该元素可能存在，因为有些哈希函数存在一定的误判。

比如:在布隆过滤器中查找"alibaba"时，假设3个哈希函数计算的哈希值为:1、3、7，刚好和其他元素的比特位重叠，此时布隆过滤器告诉该元素存在，但实该元素是不存在的。

布隆过滤器删除

布隆过滤器不能直接支持删除工作，因为在删除一个元素时，可能会影响其他元素。

比如:删除上图中"tencent"元素，如果直接将该元素所对应的二进制比特位置0，“baidu”元素也被删除了， 因为这两个元素在多个哈希函数计算出的比特位上刚好有重叠。

一种支持删除的方法:将布隆过滤器中的每个比特位扩展成一个小的计数器，插入元素时给k个计数器(k个哈希函数计算出的哈希地址)加一，删除元素时，给k个计数器减一，通过多占用几倍存储空间的代价来增加删除操作。

缺陷:

1. 无法确认元素是否真正在布隆过滤器中

2. 存在计数回绕 （计数器超过上限）

布隆过滤器优点

1. 增加和查询元素的时间复杂度为:O(K), (K为哈希函数的个数，一般比较小)，与数据量大小无关

2. 哈希函数相互之间没有关系，方便硬件并行运算

3. 布隆过滤器不需要存储元素本身，在某些对保密要求比较严格的场合有很大优势

4. 在能够承受一定的误判时，布隆过滤器比其他数据结构有这很大的空间优势

5. 数据量很大时，布隆过滤器可以表示全集，其他数据结构不能

6. 使用同一组散列函数的布隆过滤器可以进行交、并、差运算

布隆过滤器缺陷

1. 有误判率，即存在假阳性(False Position)，即不能准确判断元素是否在集合中(补救方法:再建立一个白名单，存储可能会误判的数据)

2. 不能获取元素本身

3. 一般情况下不能从布隆过滤器中删除元素

4. 如果采用计数方式删除，可能会存在计数回绕问题

布隆过滤器习题：

1. 给两个文件，分别有100亿个query，我们只有1G内存，如何找到两个文件交集?分别给出精确算法和近似算法

• 精确算法：Hash分桶法

将两个文件中的query hash到N个小文件中，并标明query的来源；

在各个小文件中找到重合的query

将找到的重合query汇总

• 近似算法：BloomFilter算法

将第一个文件按照布隆过滤器放入位图中，然后从第二个文件中取出数字，在第一个位图查找，能找到则可能为交集。如果有一位找不到，则不存在交集。

2. 如何扩展BloomFilter使得它支持删除元素的操作

将BloomFilter中的每一位扩展为一个计数器，记录有多少个hash函数映射到这一位；删除的时候，只有当引用计数变为0时，才真正将该位置为0。

倒排索引

正序索引： 文件索引单词（统计某个单词在文件中出了几次）
倒排索引： 单词索引文件（统计单词都在那些文件中出现过）

倒排索引创建索引的流程：

1） 首先把所有的原始数据进行编号，形成文档列表
2） 把文档数据进行分词，得到很多的词条，以词条为索引。保存包含这些词条的文档的编号信息。

题目：（倒排索引，也可）

给上千个文件，每个文件大小为1K—100M。给n个词，设计算法对每个词找到所有包含它的文件，你只有 100K内存

解答：
我们可以使用布隆过滤器来判断一个文件是否包含这n个单词生成n个布隆过滤器放到外存，我们事先定义好一个包含这n个单词信息的文件info，每当我们在一个文件找到一个对应的单词就将这个文件的信息写入info对应单词的位置。我们只有100K内存，这100K内存我们一部分用来存放布隆过滤器一部分可以存放文件，因为文件最小都为100K，所以我们可以尝试把它切分为50K的小文件，每个文件标志好所属的大文件，这样我们每次读入一个布隆过滤器和一个小文件，如果这个文件有对应的单词则在info中标记所属大文件的信息，如果没有则读入下一个布隆过滤器，把所有布隆过滤器都使用后，再读下一个文件重复上述步骤直至把所有文件都遍历完。

---

如有不同见解，欢迎留言讨论～～