hash切割
*两个文件分别给定100亿个数据,如何准确判断文件交集?
假设一个数据平均20byte,则一个文件大概200G。
将文件1的文件,进行hash切分,切分成400个小文件,则一个文件也就512M,通过hash切分,则同类的都在一个小文件中,文件2也用同样的hash切分,这样分别对小文件进行对比,就可以找到交集。*
bool过滤器:
布隆过滤器 建立多个hash映射,映射多个位置表示为一个数据,多用来处理字符串
布隆过滤器不支持删除,因为会有hash转化不同的值在同一个位置。
布隆过滤器可以确定那个元素不在表中,但是不能确定那个元素在表中,因为通过hash映射的结果可能会相同
这里hash1-2-3分别对应三个hash映射,将字符串映射成数字。
template <size_t N,class K = std::string,class Hash1=HashBKDR,class Hash2=HashAP,class Hash3=HashDJB>
class bloom
{
public:
void Set(const K& s)
{
//通过三个hash得到三个映射位置 位置不能超过hash表的容量
size_t n1 = Hash1()(s) % N;
size_t n2 = Hash2()(s) % N;
size_t n3 = Hash3()(s) % N;
_bitset.Set(n1);
_bitset.Set(n2);
_bitset.Set(n3);
}
bool Test(const K& s)
{
size_t n1 = Hash1()(s) % N;
if (_bitset.Test(n1) == false)
{
return false;
}
size_t n2 = Hash2()(s) % N;
if (_bitset.Test(n2) == false)
{
return false;
}
size_t n3 = Hash3()(s) % N;
if (_bitset.Test(n3) == false)
{
return false;
}
//判断存在不准确,因为可能有不在的元素映射到同一个位置
return true;
}
private:
ghc::BitSet<N> _bitset;
};