Hash应用

目录

1.位图

1.1 位图概念

1.2 位图的应用场景

2.布隆过滤器

2.1 布隆过滤器概念

2.2 布隆过滤器的应用

3.哈希切割

---

1.位图

1.1 位图概念

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：

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。

优点：处理海量数据，占用内存小，速度快

缺点：只能映射整形，其他类型，比如浮点数，string等等不能储存映射

1.2 位图的应用场景

1. 快速查找某个数据是否在一个集合中

例题：

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。【腾讯】

用位图40亿个不重复的无符号整数，所以要开2^32个byte = 512M

遍历集合，然后在位图中判断是否存在

给定100亿个整数，设计算法找到只出现一次的整数？ 

开两个位图，在相同的位置00代表没有出现过，10代表只出现一次，11代表出现两次及以上

位图应用变形：1个文件有100亿个int，1G内存，设计算法找到出现次数不超过2次的所有整数 

开两个位图，在相同的位置00代表没有出现过，10代表只出现一次，01代表出现两次，11代表出现两次以上

2. 排序 + 去重

3. 求两个集合的交集、并集等

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？

1.放两个位图里面，如果两个位置都为真，就是交集

2.先遍历一个文件放到一个位图中，然后读取第二个文件的值去查询，如果存在就是交集，然后还要把位图对应的位置置零，为了去重

如果文件中的数目比较多，选1，反正选2

4. 操作系统中磁盘块标记

---

2.布隆过滤器

2.1 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。

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。 

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。

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。

优点：速度快，节省内存， 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

缺点：有误判（存在），不能删除，如果采用计数方式删除，可能会存在计数回绕问题

2.2 布隆过滤器的应用

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

1.近视算法：放两个布隆过滤器中，如果两个都存在为交集

2.精确算法：一个query算它50字节，100亿个相当于500G，所以必须要切割成很多个小文件，才能放在内存中

首先哈希切割，felti = Hashfunc（query）%1000，交集算出来的felti一定是一样的，所以需要相同的文件标号进行比较就可以

然后就是比较的问题，把一个文件的query都放进set/unordered_set，然后读取另一个query

在set里面查询

如果哈希切割把一个文件切的太大了，就会导致set插入抛异常，就需要换哈希函数进一步切割这个小文件，然后比较

2. 如何扩展BloomFilter使得它支持删除元素的操作

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。

---

3.哈希切割

切割大文件，felti = Hashfunc（Key）% N

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？

首先哈希切割，felti = Hashfunc（log）%1000，相同的 log算出来的felti一定是一样的，所以需要相同的文件标号进行比较就可以

然后就是比较的问题，把一个文件的 log都放进map/unordered_map，然后读取另一个文件的log放在map里面计数

如果哈希切割把一个文件切的太大了，就会导致map插入抛异常，就需要换哈希函数进一步切割这个小文件，然后比较

每次两个文件map计数后找到最大的那个ip

topk，就多放一个k的小堆

完