C++海量数据处理：位图和布隆过滤器

前言

有一道非常经典的题目：给40亿个不重复的无序的无符号整数，再给一个无符号整数，如何快速判断这个数是否在这40亿个数中。

关于这道题目我们首先想到的解法就是排序二分查找，或者借助关联式容器进行求解，但是40亿个数据的数据量是非常巨大的（16G），没有办法放入内存中，所以在面对这种海量数据处理的时候，我们今天来学习位图和布隆过滤器的相关知识，用来解决海量数据处理的问题。

一：位图

位图其实就是哈希结构的变形，同样通过映射来处理数据，采用直接定址法存储数据，只不过位图本身并不存储数据，而是通过存储一个比特位来标记这个数据是否存在，1代表存在，0代表不存在。

位图通常情况下用在海量数据的处理上，且数据不重复的情景下判断某个数据是否存在。

代码实现：

class bitmap{
public:
	bitmap(size_t N){
		_bits.resize(N / 32 + 1, 0); // 多开一个整型32bit
		_num = 0;
	}

	// 标记
	void set(size_t x){
		// 寻找x的标记存放在第几个整型
		size_t index = x / 32;
		// 寻找x的标记在这个整型的第几个位
		size_t pos = x % 32;

		//左移是向高位移动
		_bits[index] |= (1 << pos);
	}

	void reset(size_t x){
		// 寻找x的标记存放在第几个整型
		size_t index = x / 32;
		// 寻找x的标记在这个整型的第几个位
		size_t pos = x % 32;

		// 第pos个位置置为0
		_bits[index] &= ~(1 << pos);
	}

	// 判断x的映射位是否为1
	bool test(size_t x){
		// 寻找x的标记存放在第几个整型
		size_t index = x / 32;
		// 寻找x的标记在这个整型的第几个位
		size_t pos = x % 32;

		return _bits[index] & (1 << pos);
	}

private:
	std::vector<int> _bits;
	size_t _num; // 存储的数据个数
};

位图的应用：

1. 快速查找某个数据是否在这个集合中
2. 排序+去重
3. 求两个集合的交集和并集
4. 操作系统中的磁盘块标记

位图的优缺点分析：

5. 节省空间，效率高
6. 只能处理整型并且不能处理哈希冲突

二：布隆过滤器

布隆过滤器是由布隆提出的 一种概率型的数据结构，布隆过滤器实则就是位图与哈希表的结合，特点是高效地插入和查询，它是用多个哈希函数，将一个数据映射到位图结构中。这种方式不仅可以提升查询效率，还可以节省大量的内存空间。

代码实现：

template<class K = std::string, class Hash1 = HashStr1, class Hash2 = HashStr2, class Hash3 = HashStr3>
class bloomfilter{
public:
	bloomfilter(size_t num){
		_bs(-1);
	}
	void set(const K& key){
		// 通过多个哈希函数将数据映射到位图中
		size_t index1 = Hash1()(key);
		size_t index2 = Hash2()(key);
		size_t index3 = Hash3()(key);

		_bs.set(index1);
		_bs.set(index2);
		_bs.set(index3);
	}

	// 存在误删的问题
	void reset(const K& key){
		// 不支持删除
	}

	bool test(const K& key){
		// 判断在是不准确的，可能存在误判，判断不在是准确的。
		size_t index1 = Hash1()(key);
		if (_bs.test(index1) == false)
			return false;
		size_t index2 = Hash2()(key);
		if (_bs.test(index2) == false)
			return false;
		size_t index3 = Hash3()(key);
		if (_bs.test(index3) == false)
			return false;

		return true;
	}
private:
	// 底层其实是一个位图
	bitmap _bs;
	size_t len;
};

布隆过滤器的应用：

1. 减少磁盘IO或者网络请求（一个值不存在，可以不用进行后续的查询请求）
2. 客户端内容推荐浏览内容

布隆过滤器的优缺点分析：

1. 节省空间并且高效
2. 可能会存在误判，不支持删除。

三：海量数据的处理

3.1 位图的应用

问题：给定100亿个整数，设计算法找到只出现一次的整数。

1G大概是10亿个字节，100亿个整数就是400亿个字节，400亿个字节40G。

方法一：
出现0次的，出现1次的，出现2次及以上的，这里存在3种数据状态，出现0次的标志为00，出现1次的标志为01，出现2次及以上的标志为10。

方法二：
设置两个位图，位图1和位图2的对应位都提供一个位来标记数据。再遍历两个位图找出所有对应位映射为01的整数。

问题：给两个文件分别有100亿个整数，我们只有1G内存，如何找到两个文件的交集。

方法一：
将其中一个文件中的数据放到一个位图当中，读取另一个文件中的整数，判断在不在位图当中，若在就是交集，不在就不是交集。

方法二：
将其中一个文件的整数映射到一个位图种，将另一个文件的整数映射到另一个位图种，再将两个位图中的对应位按位与，与之后位为1的位就是交集。

3.2 布隆过滤器的应用

问题：给两个文件分别有100亿个query（请求)，只有1G内存，找到两个文件的交集，分别给出精确算法和近似算法。

方法一：
将一个文件中的query映射到一个布隆过滤器中，读取另一个文件中的query，判断在不在布隆过滤器中，在就是交集，不在就不是交集。

缺陷：布隆过滤器判断数据在可能会存在误判，所以交集中有可能有些数据不准确。

方法二：
将大文件切分成小文件加载到内存中（平均切割），一般切出来的小文件的大小能放进内存就可以，但是这里要不断地进行比较（不是暴力比较，小文件中数据放入set当中，搜索效率还是要高出不少）。

用同一个哈希函数处理query，i = hashstr(query) % 份数，则两个文件中相同的query一定会进入编号相同的小文件，将一个大文件分成的小文件放进一个set中，读取另一个大文件切割成的小文件中对应的小文件中的query，在第一个小文件中就是交集，不在则不是交集。

问题：如何扩展布隆过滤器使得它支持删除元素的操作。

解法一：
每个位标记为计数器
那么到底用几个位来表示计数器呢？若位数太少可能会导致计数器溢出，但如果使用更多的位来映射一个位置，那么空间的消耗就会增大。

一般采用16位来标记计数器

3.3 哈希切割的应用

问题：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。

统计次数一般用KV模型的map解决，但是100G大小放不进内存中。
IP有可能出现在不同的小文件当中，平均切分是不合理的。

读取IP用哈希算法计算编号，IP就会进入相同编号的小文件，运用map<string, int> 读取小文件中的IP次数，设置中间变量存储相对出现次数较多的IP地址出现的次数，统计完成则得出结果。

问题：给一个超过100G大小的log file，log中存着IP地址，设计算法找到topK的IP地址，如何直接用Linux系统命令实现。

统计次数一般用KV模型的map解决，但是100G大小放不进内存中。
IP有可能出现在不同的小文件当中，平均切分是不合理的。

读取IP用哈希算法计算编号，IP就会进入相同编号的小文件，出现次数最多的IP，就建小堆进行操作。