Bloom Filter已在上一篇文章海量数据处理之Bloom Filter详解中予以详细阐述,本文接下来着重阐述Bit-map。有任何问题,欢迎不吝指正。
什么是Bit-map
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。
如果说了这么多还没明白什么是Bit-map,那么我们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)|(0×01<<(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。下面的代码给出了一个BitMap的用法:排序。
- //定义每个Byte中有8个Bit位
- #include <memory.h>
- #define BYTESIZE 8
- void SetBit(char *p, int posi)
- {
- for(int i=0; i < (posi/BYTESIZE); i++)
- {
- p++;
- }
- *p = *p|(0x01<<(posi%BYTESIZE));//将该Bit位赋值1
- return;
- }
- void BitMapSortDemo()
- {
- //为了简单起见,我们不考虑负数
- int num[] = {3,5,2,10,6,12,8,14,9};
- //BufferLen这个值是根据待排序的数据中最大值确定的
- //待排序中的最大值是14,因此只需要2个Bytes(16个Bit)
- //就可以了。
- const int BufferLen = 2;
- char *pBuffer = new char[BufferLen];
- //要将所有的Bit位置为0,否则结果不可预知。
- memset(pBuffer,0,BufferLen);
- for(int i=0;i<9;i++)
- {
- //首先将相应Bit位上置为1
- SetBit(pBuffer,num[i]);
- }
- //输出排序结果
- for(int i=0;i<BufferLen;i++)//每次处理一个字节(Byte)
- {
- for(int j=0;j<BYTESIZE;j++)//处理该字节中的每个Bit位
- {
- //判断该位上是否是1,进行输出,这里的判断比较笨。
- //首先得到该第j位的掩码(0x01<<j),将内存区中的
- //位和此掩码作与操作。最后判断掩码是否和处理后的
- //结果相同
- if((*pBuffer&(0x01<<j)) == (0x01<<j))
- {
- printf("%d ",i*BYTESIZE + j);
- }
- }
- pBuffer++;
- }
- }
- int _tmain(int argc, _TCHAR* argv[])
- {
- BitMapSortDemo();
- return 0;
- }
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(关于Bloom filter,请参见:海量数据处理之Bloom filter详解)。
问题实例
1)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。
参考:
- http://www.cnblogs.com/youwang/archive/2010/07/20/1781431.html。
- http://blog.redfox66.com/post/2010/09/26/mass-data-4-bitmap.aspx。
完。
http://www.cnblogs.com/dyllove98/archive/2013/07/26/3217741.html
概述
算法思想
- 效率高,不需进行比较和移位
- 占用内存少,比如N=10000000;只需占用内存为N/8 = 1250000Bytes = 1.2M,如果采用int数组存储,则需要38M多(10000000*32(bit) /8 / 1024 / 1024 =38.14M) (B,K,M,G) 1B=8bit
- 无法对存在重复的数据进行排序和查找
map映射表
位移转换
代码示例(c语言)
#include <stdio.h>
#include <stdlib.h>
#define SHIFT 5
#define MASK 0x1F
/**
* 设置所在的bit位为1
*
* T = O(1)
*
*/
void set(int n, int *arr)
{
int index_loc, bit_loc;
index_loc = n >> SHIFT; // 等价于n / 32
bit_loc = n & MASK; // 等价于n % 32
arr[index_loc] |= 1 << bit_loc;
}
/**
* 初始化arr[index_loc]所有bit位为0
*
* T = O(1)
*
*/
void clr(int n, int *arr)
{
int index_loc;
index_loc = n >> SHIFT;
arr[index_loc] &= 0;
}
/**
* 测试n所在的bit位是否为1
*
* T = O(1)
*
*/
int test(int n, int *arr)
{
int i, flag;
i = 1 << (n & MASK);
flag = arr[n >> SHIFT] & i;
return flag;
}
int main(void)
{
int i, num, space, *arr;
while (scanf("%d", &num) != EOF) {
// 确定大小&&动态申请数组
space = num / 32 + 1;
arr = (int *)malloc(sizeof(int) * space);
// 初始化bit位为0
for (i = 0; i <= num; i ++)
clr(i, arr);
// 设置num的比特位为1
set(num, arr);
// 测试
if (test(num, arr)) {
printf("成功!\n");
} else {
printf("失败!\n");
}
}
return 0;
}