目录
一、位图
位图,就是用每一位比特位来存放某种状态,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。无符号整型大约42亿个数字可以用42亿个比特位(大约500m)标识。
1.位图的实现
class bitset
{
public:
bitset(size_t bitCount)
: _bit((bitCount>>5)+1), _bitCount(bitCount)
{}
// 将which比特位置1
void set(size_t which)
{
if(which > _bitCount)
return;
size_t index = (which >> 5);
size_t pos = which % 32;
_bit[index] |= (1 << pos);
}
// 将which比特位置0
void reset(size_t which)
{
if(which > _bitCount)
return;
size_t index = (which >> 5);
size_t pos = which % 32;
_bit[index] &= ~(1<<pos);
}
bool test(size_t which)
{
if(which > _bitCount)
return false;
size_t index = (which >> 5);
size_t pos = which % 32;
return _bit[index] & (1<<pos);
}
private:
vector<int> _bit;
size_t _bitCount;
};
2.位图的变形
上诉位图用了一个比特位标识,如果要求位图能够筛选出出现次数为一次、两次的数字呢?同理,我们可以用两个比特位标识一个数字,这样可保存的信息就变多了;或者复用以上位图,使用两个位图也可以达到同样效果。
二、布隆过滤器
1.布隆过滤器的提出
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。 哈希函数的个数也需要权衡,个数越多则布隆过滤器 bit 位置位 1 的速度越快,且布隆过滤器的效率越低;但是如果太少的话,那我们的误报率会变高。
2.布隆过滤器的缺陷
由于有限的位图需要映射无限的字符串,所以有可能未在位图的字符串被误判为存在,存在是存在误判的,而不存在是准确的。所以在能够承受一定的误判时,布隆过滤器比其他数据结构有这很大的空间优势。一般的,布隆过滤器是不支持删除的,但是可以通过引用计数方式删除。
三、海量数据的处理
利用位图和布隆过滤器可以很好的处理海量的数据。
1.给定100亿个整数,设计算法找到只出现一次的整数?
我们可以用两个比特位标识一个数字,这样可保存的信息就变多了;或者使用两个位图保存每一位的更多信息。
2.给两个文件,分别有100亿个整数。只有1G内存,如何找到两个文件的交集?
分别将两个位图读入两个文件,再将两个位图取交集。
3. 哈希切割: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?
将ip地址哈希映射到多个小文件中,相同ip一定进入了同一个文件。再将此文件读入内存,利用哈希统计出现次数。
4.给两个文件,分别有100亿个字符串,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?
近似算法:布隆过滤器
精确算法:哈希切割