海量数据处理算法—Bit-Map

最新推荐文章于 2024-04-19 16:19:45 发布
最新推荐文章于 2024-04-19 16:19:45 发布
阅读量58 收藏
点赞数
文章标签： php c/c++
原文链接：http://www.cnblogs.com/hzhtracy/p/4439231.html
版权

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：即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：

 

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

int a[1 + N/BITSPERWORD];//申请内存的大小


//set 设置所在的bit位为1
void set(int i) {        
	a[i>>SHIFT] |=  (1<<(i & MASK)); 
}
//clr 初始化所有的bit位为0
void clr(int i) {        
	a[i>>SHIFT] &= ~(1<<(i & MASK)); 
}
//test 测试所在的bit为是否为1
int  test(int i){ 
	return a[i>>SHIFT] &   (1<<(i & MASK)); 
}

int main()
{	int i;
	for (i = 0; i < N; i++)
		clr(i);  
	while (scanf("%d", &i) != EOF)
		set(i);
	for (i = 0; i < N; i++)
		if (test(i))
			printf("%d\n", i);
	return 0;
}

 

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：

[cpp] view plain copy print ?
  1. void set(int i)  
  2. {  
  3.    a[i/32] |= (1<<(i%32));  
  4. }  
void set(int i) 
{ 
   a[i/32] |= (1<<(i%32)); 
}

 

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：

 

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

 $a = array(); 
//set 设置所在的bit位为1  
function set($i) {   
    global $a;       
    $a[$i>>SHIFT] |=  (1<<($i & MASK));   
}  
//clr 初始化所有的bit位为0  
function clr($i) {          
    $a[$i>>SHIFT] &= ~(1<<($i & MASK));   
}  
//test 测试所在的bit为是否为1  
function test($i){  
    global $a;  
    return $a[$i>>SHIFT] & (1<<($i & MASK));   
}  
$aa = array(1,2,3,31, 33,56,199,30,50);  
while ($v =current($aa))  {
   set($v); 
   if(!next($aa)) {
       break;
   }
}
foreach ($a as $key=>$v){
    echo $key,'=', decbin($v),"\r\n";
}

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：

 

[cpp] view plain copy print ?
  1. // TestWin32.cpp : Defines the entry point for the console application. 
  2. #include "stdafx.h" 
  3.  
  4. #include<memory.h>   
  5.  
  6. //用char数组存储2-Bitmap,不用考虑大小端内存的问题   
  7. unsigned char flags[1000]; //数组大小自定义    
  8. unsigned get_val(int idx)  {  
  9. //  |    8 bit  | 
  10. //  |00 00 00 00|  //映射3 2 1 0 
  11. //  |00 00 00 00|  //表示7 6 5 4 
  12. //  …… 
  13. //  |00 00 00 00| 
  14.  
  15.     int i = idx/4;  //一个char 表示4个数， 
  16.     int j = idx%4;   
  17.     unsigned ret = (flags[i]&(0x3<<(2*j)))>>(2*j);   
  18.     //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| 
  19.     //表示7 6 5 4 
  20.    return ret;   
  21. }   
  22.        
  23. unsigned set_val(int idx, unsigned int val)  {   
  24.     int i = idx/4;   
  25.     int j = idx%4;   
  26.     unsigned tmp = (flags[i]&~((0x3<<(2*j))&0xff)) | (((val%4)<<(2*j))&0xff);   
  27.     flags[i] = tmp;   
  28.     return 0;   
  29. }   
  30. unsigned add_one(int idx)   
  31. {   
  32.     if (get_val(idx)>=2) {  //这一位置上已经出现过了？？ 
  33.         return 1;   
  34.     }  else  {   
  35.         set_val(idx, get_val(idx)+1);   
  36.         return 0;   
  37.     }   
  38. }   
  39.        
  40. //只测试非负数的情况;   
  41. //假如考虑负数的话,需增加一个2-Bitmap数组.   
  42. int a[]={1, 3, 5, 7, 9, 1, 3, 5, 7, 1, 3, 5,1, 3, 1,10,2,4,6,8,0};   
  43.        
  44. int main()   {   
  45.     int i;   
  46.     memset(flags, 0, sizeof(flags));   
  47.            
  48.     printf("原数组为:");   
  49.     for(i=0;i < sizeof(a)/sizeof(int); ++i)  {   
  50.         printf("%d  ", a[i]);   
  51.         add_one(a[i]);   
  52.     }   
  53.     printf("\r\n");   
  54.        
  55.     printf("只出现过一次的数:");   
  56.     for(i=0;i < 100; ++i)  {   
  57.         if(get_val(i) == 1)   
  58.             printf("%d  ", i);   
  59.         }   
  60.     printf("\r\n");   
  61.      
  62.     return 0;   
  63. } 

转载于:https://www.cnblogs.com/hzhtracy/p/4439231.html

abc20140521
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
【漏洞复现】锐捷 EG易网关 phpinfo.view.php 信息泄露漏洞
qq_67810151的博客
04-20 193
锐捷EG易网关 /tool/view/phpinfo.view.php 存在信息泄露漏洞，未授权的攻击者可以通过该漏洞获取大量敏感信息。
BitMap算法原理及实现实现
毛小高的博客
09-04 9574
bitmap是一个十分有用的结构。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。
51单片机 bit定义标志位无效原因
ssss992的博客
05-20 5047
我的51程序中用到了位定义：bit flag; 这样定义后，运行程序，下载到电路板上，发现flag根本不是按照自己设定的值，导致函数判断错误；后来查找到了原因 将keil中options中 target中 Memory Mode中要选择下图那两种方式才行；设置好后运行程序到电路板，果然成功正确运行了； 原因：之前设置成 Small：in DATA了，因为bit变量是位可寻址变量，而在51单片
海量数据处理之 Bit-map 详细讲解
养歌的博客
01-28 2421
现在有这么一个问题：现存在 20 亿个数字，需要知道哪些数字没有出现在里面.这个问题你可能觉得一个 for 循环就能解决。但是有两个问题，第一个就是for循环效率的问题，第二个问题就是 20 亿个数字需要占据的内存空间，例如要存下 20 亿个数字需要多大空间呢？假设使用 int 存储，在 Java 中，int 占 4 字节，1 字节 = 8 位（1 byte = 8 bit，存放 20 亿个数字则需要：(2000000000*4/1024/1024/1024) ≈ 7.45G左右。 面对上面的问题我们肯定不
海量数据处理算法—Bit-Map---面试题集锦
DLililiDengDaa~~
08-14 213
Bitmap算法简介: https://blog.csdn.net/hguisu/article/details/7880288 面试题集锦: https://blog.csdn.net/v_july_v/article/details/6685962
Localization from mere connectivity_MDS降维算法_数据降维_MDS-MAP_
09-29
基于多维标度技术的经典降维算法MDS-MAP，实现高维数据到二维数据的降维处理。
算法源码-数据处理：拉格朗日插值算法.zip
06-06
算法源码-数据处理：拉格朗日插值算法.zip
C++算法之海量数据处理方法的总结分析
09-05
本篇文章是对海量数据处理方法进行了详细的总结与分析，需要的朋友参考下
海量数据处理系列之:用C++实现Bitmap算法
01-01
适用范围：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倍以下基本原理及要点：使用bit数组来表示某些元素是否存在，比如8位电话号码扩展：bloom filter可以看做是对bit-map的扩展问题实例：1)...
算法源码-数据处理：分段线性插值算法代码.zip
06-06
算法源码-数据处理：分段线性插值算法代码.zip
抓取电商产品数据的方法|PHP|Python多语言环境|高并发需求|电商商品API接口数据采集
TinagirlAPI的博客
04-17 344
解决方案：集成订单管理系统和物流跟踪功能，让客户能够方便地处理订单、发货，并为用户提供实时的物流跟踪信息。- 解决方案：支持信用卡、借记卡、PayPal等流行的在线支付方式，确保用户可以选择最适合自己的付款方式。- 解决方案：采用高性能的服务器、CDN加速服务、优化网站代码等措施，确保网站能够快速响应并保持稳定性。- 解决方案：整合营销工具，如优惠券系统、积分奖励、折扣活动等，提供多样的促销方式来吸引客户。- 解决方案：采用SSL加密技术保护网站的安全性，遵守相关法规和标准，确保用户数据安全。
upload-labs
XiaoYeZhu_1314的博客
04-18 181
完成upload靶场，通过中国蚁剑读取服务器的目录
网安DOS命令（基础）
sww1314521的博客
04-16 1186
在访问网站的时候，在浏览器中输入了域名以后，浏览器会自动将域名转换成IP地址，这个转换过。：命令执行结果，以数字的方式来显示【工作中强烈建议用这选项，否则会导致命令执行特别慢】批处理就是一个文本文件，在文件中可以写多个要执行dos命令，所有的命令会依次进行执行。arp的作用是显示和当前主机通信过的其他主机的地址。关闭回显，不显示要执行的命令，只显示命令的执行结果。：计算机和其他计算机进行通信的时候的数据的出入口。管道符的作用就是链接两个命令，将前面命令的。：显示这个网络连接的进程的进程信息，包括进程。
PHP 爬虫如何配置代理 IP（CURL 函数）
最新发布
打字爱好者。
04-19 312
在 PHP中 配置代理IP，可以通过设置 CURL库的选项来实现，代码如下：
SD-WAN企业组网：多样化的应用场景
TIANGEKUAJING的博客
04-16 554
​随着企业网络环境的快速发展，SD-WAN技术正成为实现站点间网络互通的关键所在。它不仅支持企业站点对因特网、SaaS云应用和公有云等多种业务的高效访问，更能满足多样化的业务需求。深入探讨SD-WAN的组网应用场景，我们能够发现其广泛的适用性和巨大的潜力。
NoNumberFile（环境变量利用）
asdfaa的博客
04-16 356
其他大多数绕过方式我们已经接触过了，例如本题目禁用得空格符号，我们可以使用$IFS$9、${IFS}、>等进行绕过；从图中可以看出，${PWD:0:1}类似sql语句中mid，substr等截断函数，”0“表示截取位置为第一个字符，”1“表示截取长度为1；使用通配符匹配/bin/bzip2，使用/?匹配/var/www/html/flag.php文件。使用Linux通配符，匹配bz2命令压缩flag.php文件，然后通过浏览器下载bz2文件；代码较长，主要分析核心代码；，下载php.bz2压缩包；
如何在在wordpress安装百度统计
秋窗的博客
04-17 448
看过我的往期文章的都知道，我又建了一个网站，这次是来真的了。于是，最近在查阅资料时发现，有一款免费的软件可以帮我吗分析网站数据。（虽然我的破烂网站压根没人访问，但是能装上的都得上，主打的就是一个专业），废话不多说，直接进入正题。
mds-map定位算法
01-23
在MDS-MAP定位算法中，首先使用MDS方法将高维空间中的数据点映射到低维空间，然后利用MAP方法对映射后的数据点进行定位。这个过程可以理解为在低维空间中寻找最有可能的位置分布，以最大化观察数据的概率。 MDS-MAP...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值