C++哈希应用
位图
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。
位图的应用
- 快速查找某个数据是否在一个集合中
- 排序 + 去重
- 求两个集合的交集、并集等
- 操作系统中磁盘块标记
位图的实现
template<size_t N>
class bitset
{
public:
bitset() //N是数据范围
{
_bits.resize(N / 8 + 1, 0);
}
void set(size_t x)
{
size_t i = x / 8;
size_t j = x % 8;
_bits[i] |= (1 << j);
}
void reset(size_t x)
{
size_t i = x / 8;
size_t j = x % 8;
_bits[i] &= ~(1 << j);
}
bool test(size_t x)
{
size_t i = x / 8;
size_t j = x % 8;
return _bits[i] & (1 << j);
}
private:
vector<char> _bits;
};
布隆过滤器
布隆过滤器提出
- 用哈希表存储用户记录,缺点:浪费空间
- 用位图存储用户记录,缺点:位图一般只能处理整形,如果内容编号是字符串,就无法处理了。
- 将哈希与位图结合,即布隆过滤器
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。
布隆过滤器的插入
通过多个哈希函数将一个字符串映射在多个地方
布隆过滤器的特点
- 当布隆过滤器说数据在时,是不可靠的
- 当布隆过滤器说数据不在时,是可靠的
布隆过滤器的实现
#pragma once
#include"bitset.h"
struct BKDRHash
{
size_t operator()(const string& s)
{
size_t hash = 0;
for (auto ch : s)
{
hash += ch;
hash *= 31;
}
return hash;
}
};
struct APHash
{
size_t operator()(const string& s)
{
size_t hash = 0;
for (long i = 0; i < s.size(); ++i)
{
size_t ch = s[i];
if ((i & 1) == 0)
hash ^= ((hash << 7) ^ ch ^ (hash >> 3));
else
hash ^= (~((hash << 11) ^ ch ^ (hash >> 5)));
}
return hash;
}
};
struct DJBHash
{
size_t operator()(const string& s)
{
size_t hash = 5381;
for (auto ch : s)
hash += (hash << 5) + ch;
return hash;
}
};
//N最多会插入key数据的个数
template<size_t N, class K, class Hash1 = BKDRHash, class Hash2 = APHash,class Hash3 = DJBHash>
class BloomFilter
{
public:
void set(const K& key)
{
size_t len = N * _X;
size_t hash1 = Hash1()(key) % len;
_bs.set(hash1);
size_t hash2 = Hash2()(key) % len;
_bs.set(hash2);
size_t hash3 = Hash3()(key) % len;
_bs.set(hash3);
}
bool test(const K& key)
{
size_t len = N * _X;
size_t hash1 = Hash1()(key) % len;
if (!_bs.test(hash1))
return false;
size_t hash2 = Hash2()(key) % len;
if (!_bs.test(hash2))
return false;
size_t hash3 = Hash3()(key) % len;
if (!_bs.test(hash3))
return false;
return true;
}
private:
static const size_t _X = 4;
bitset<N* _X> _bs; //bitset的实现在位图模块
};
海量数据处理
位图应用变形
-
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?
方案1:将其中一个文件1的整数映射到一个位图中,读取另外一个文件2中的整数,判断在在不在位图,在就是交集。消耗500M内存
方案2:将文件1的整数映射到位图1中,将文件2的整数映射到位图2中,然后将两个位图中的数按位与。与之后为1的位就是交集。消耗内存1G。
-
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
用两个位表示一个数,分为出现0次00表示,出现1次的01表示―出现2次的10表示出现3次及3次以上的用11表示。
代码如下
//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 template<size_t N> class less_equal_twobitset { public: void set(size_t x) { if (_bs1.test(x) == false && _bs2.test(x) == false) _bs2.set(x); else if (_bs1.test(x) == false && _bs2.test(x) == true) { _bs1.set(x); _bs2.reset(x); } else if(_bs1.test(x) == true && _bs2.test(x) == false) _bs2.set(x); } void Print() { cout << "出现次数不超过2次的所有整数有:"; for (size_t i = 0; i < N; ++i) { if ((_bs1.test(i) == false && _bs2.test(i) == true) || (_bs1.test(i) == true && _bs2.test(i) == false)) cout << i << " "; } cout << endl; } private: bitset<N> _bs1; bitset<N> _bs2; };
布隆过滤器应用变形
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?分别给出精确算泫和近似算法
分析:(query一般是sql查询语句或者网络请求的ur1等,一般是一个字符串)100亿个query占用多少空间呢?假设平均一个query 30-60byte,100亿个query大约占用300-600G
将文件A映射到布隆过滤器中,读取另外一个文件B,判断在不在布隆过滤器中。
哈希切割应用
前面我们给了布隆的方案,但是这个方案的缺陷也很明显就是交集中存在不是误判的值。那么现在我们来给一个准确的解决方案:
哈希切割:不再平均切分,哈希切分: i = hashstr(query) % 1000,i是多少query就进入第Ai/Bi的小文件中,文件A/文件B都别这样处理
A和B中相同的query一定进入编号相同的Ai和Bi小文件,所以下面只需要编号相同找交集就可以。
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?
先创建1000个小文件A0-A999,读取IP计算出i=hashstr(IP)%1000. i是多少,IP就进入对应编号的Ai小文件。这样相同IP一定进入了同一个小文件。map<string,int> countMap,读取Ai中的人IP统计出次数,一个读完了clear,再读另一个。使用一个pair<string,int> max记录出现次数最多的IP就可以求出。如果要找topK,那么就是用一个堆来搞定就可以。