转载地址:http://blog.csdn.net/gugemichael/article/details/8013150
今天,有个同学向我咨询大数据的一些面试题,其中一类比较有代表性比如判断是否在集合内,比如10个url,判断一个url是否在集合内,还比如有个1~100万个连续无序数字,随机取出里面的N个,求这N个数字等等。这类问题都需要一个大的数据集合,而且每个数据单元都很小,比如一个int 。很大程度上,这类问题可以用Bitmap或者Bloomfilter来做,基本思想就是开辟一块大内存,然后利用一个byte里的8个bit来实现按位标记元素。因为地址空间都是连续的,所以查找都是O(1)的。这里需要说的是,BloomFilter判断属不属于集合,在理论上是存在误判的,如果要求数据100%正确,则不要使用BloomFilter。
进入正题,Bitmap正如其名,就是一块内存,内存是一个一个连续的位图,每一个位通过0、1代表一个元素的有无。比如数字为N的数字对应到Bitmap就是第N/8个byte的字节,和第N%8个01位,这么映射。所以通过检测对应的bit位即可知道数据在不在集合内,而且能保证正确。直接上代码 :
- #include <cstdlib>
- #include <iostream>
- #include <algorithm>
- #include <vector>
- #include <stddef.h>
- #include <memory.h>
- #define BYTES 12500
- int main()
- {
- srand((unsigned int)time(NULL));
- size_t total_numbers = 100000;
- typedef std::vector<int> SetContainer;
- typedef std::vector<int>::iterator SetIterator;
- SetContainer numbers;
- numbers.reserve(total_numbers);
- int r1 = rand() % total_numbers;
- int r2 = r1 + 1000;
- // generate total_numbers-2 numbers
- for(int i=0;i!=total_numbers;++i) {
- if (i!=r1 && i!= r2)
- numbers.push_back(i);
- }
- std::cout<<"["<<numbers.size()<<"] insert ok";
- std::cin.get();
- // shuffle
- std::random_shuffle(numbers.begin(),numbers.end());
- unsigned char *bitmap = (unsigned char*)malloc(BYTES);
- memset(bitmap,0,BYTES);
- for (SetIterator itr=numbers.begin();itr!=numbers.end();++itr) {
- ptrdiff_t forward = (*itr) / 8;
- size_t offset = (*itr) % 8;
- bitmap[forward] |= (0x80UL >> offset);
- }
- std::cout<<"Bitmap build ok";
- std::cin.get();
- for (int j=0;j!=BYTES;++j) {
- if (bitmap[j]!=0xFF) {
- std::cout<<"FIND ";
- unsigned long num = j * 8;
- unsigned char check = bitmap[j];
- unsigned char bit = 0;
- while(bit!=8) {
- if (0 == (check&(0x80UL>>bit)))
- std::cout<<"["<<(num+bit)<<"] ";
- bit++;
- }
- std::cout<<std::endl;
- }
- }
- std::cout<<"DONE";
- std::cin.get();
- free(bitmap);
- return 0;
- }
BloomFilter,是由 Howard Bloom 在 1970 年提出的二进制向量数据结构,适合与比Bitmap更多量的数据,通过图片看一下方法流程 :
1、初始化一块大内存用于存放01标志位:
2、通过使用N个hash函数(N==3),对同一个值Hash多次哈希,然后同Bitmap一样映射到Bloomfilter中去,
3、检测时,同样通过N次哈希,在映射的位中去找,并要保持映射的每一位都是1的情况下,即检测处包含关系。正如前面说的,BloomFilter可能有误判,误判的几率取决于Hash函数的个数,Hash函数冲撞的概率,以及Bloomfilter开开辟的内存大小。Hash函数的个数要取个合适的值,大了会造成效率问题,少了可能误判高,理论5~10个之间,工程里用3~5个,具体多少可以视需求而定。
代码 :
- #include <cstdlib>
- #include <cstdio>
- #include <iostream>
- #include <algorithm>
- #include <vector>
- #include <stddef.h>
- #include <memory.h>
- #define BLOOM (1024UL*1024UL*1024UL) // 1G
- #define HASH_RESULT 3
- typedef unsigned char BloomFilter;
- typedef struct __hash_result {
- size_t N; // how many result
- size_t result[0];
- }HashResult;
- /* Brian Kernighan & Dennis Ritchie hashfunction , used in Java */
- size_t BKDR_hash(const char* str)
- {
- register size_t hash = 0;
- while (size_t ch = (size_t)*str++) {
- hash = hash * 131 + ch;
- }
- return hash;
- }
- /* Unix System Hashfunction , also used in Microsoft's hash_map */
- size_t FNV_hash(const char* str)
- {
- if(!*str)
- return 0;
- register size_t hash = 2166136261;
- while (size_t ch = (size_t)*str++) {
- hash *= 16777619;
- hash ^= ch;
- }
- return hash;
- }
- /* Donald Knuth Hashfunction , presented in book <Art of Computer Programming> */
- size_t DEK_hash(const char* str)
- {
- if(!*str)
- return 0;
- register size_t hash = 1315423911;
- while (size_t ch = (size_t)*str++) {
- hash = ((hash << 5) ^ (hash >> 27)) ^ ch;
- }
- return hash;
- }
- typedef size_t (*HASH_FUNC)(const char*);
- HASH_FUNC HASH[] = {
- BKDR_hash,FNV_hash,DEK_hash
- };
- void bloom_filter_mark(BloomFilter* bf, const char* v)
- {
- HashResult *hr = (HashResult*)calloc(1,sizeof(HashResult)+(sizeof(size_t)*HASH_RESULT));
- for (int i=0;i!=HASH_RESULT;++i) {
- hr->result[i] = (HASH[i](v)) % BLOOM;
- // set the binary bit to 1
- bf[hr->result[i]/8] |= 0x80UL >> (hr->result[i]%8);
- //printf("**%lu|hash-%d[%lu]|offset[%X]\n",HASH[i](v),i,hr->result[i],bf[hr->result[i]/8]);
- }
- free(hr);
- }
- bool bloom_filter_check(BloomFilter* bf, const char* v)
- {
- HashResult *hr = (HashResult*)calloc(1,sizeof(HashResult)+(sizeof(size_t)*HASH_RESULT));
- size_t in = HASH_RESULT;
- for (int i=0;i!=HASH_RESULT;++i) {
- hr->result[i] = HASH[i](v) % BLOOM;
- //printf("**%lu|%X\n",hr->result[i],bf[hr->result[i]/8]);
- // check this bit is "1" or not
- if (bf[hr->result[i]/8] & (0x80UL >> (hr->result[i]%8)))
- in--;
- }
- free(hr);
- return in == 0;
- }
- int main()
- {
- // std::cout<<BKDR_hash("0")<<std::endl;
- // std::cout<<DEK_hash("0")<<std::endl;
- // std::cout<<FNV_hash("0")<<std::endl;
- BloomFilter* bloom = new (std::nothrow) BloomFilter[BLOOM];
- if (NULL == bloom)
- printf("No Space to build BloomFilter\n"),exit(0);
- printf("BloomFilter Calloc Memory Ok\n");
- for(int i=0;i!=1000000;i++) {
- char buf[16] = {0};
- sprintf(buf,"%d",i);
- bloom_filter_mark(bloom,buf);
- }
- printf("BloomFilter Build Ok\n");
- for(int i=999995;i!=1000010;i++) {
- char buf[16] = {0};
- sprintf(buf,"%d",i);
- if (bloom_filter_check(bloom,buf))
- printf("[FOUND] %d\n",i);
- }
- delete bloom;
- return 0;
- }
以上就是解决大数据判断在不在集合的通用方法,特定场景可以做一些优化。大家可以思考一下,本文开头的10个数字取出两个的问题,如果不用bitmap或者bloomfilter,可以怎么解决?引导一下,可以把所有数字乘起来和加起来,再用10000的阶乘和总和去减一个,就得到两个方程 x+y = M; x*y= N;不过这需要用string大整数阶乘的问题,还有比较耗内存,大家可以思议考一下更好的。。。