位图的应用

位图

思考如下面试题

给40亿个不重复的无符号整数，没排过序。给一个无符号整数，如何快速判断一个数是否在这40亿个数中。

我们可能会想到遍历或排序+二分查找

那我们想一下40亿个无符号整数占据多大空间呢？

1G=1024MB=10241024KB=10241024*1024Byte
1G大约为10亿字节，40亿个无符号整数需要160亿个字节大概16G的空间

有没有什么办法能减小所用到的空间呢，这里就要用到位图了

位图概念

数据是否在给定的整形数据中，结果是在或者不在，刚好是两种状态，那么可以使用一个二进制比特位来代表数据是否存在的信息，如果二进制比特位为1，代表存在，为0代表不存在。如图

位图的实现

我们可以根据位图一个比特位存放一个数据的特点来模拟实现。

template<size_t N>
class bitset
{
public:
	bitset()
	{
		_bits.resize(N / 8 + 1, 0);
	}

	bool test(size_t x)
	{
		// 计算出他是第i个char对象中
		size_t i = x / 8;
		// 计算出他在这个char的第j个比特位上
		size_t j = x % 8;

		return ((_bits[i] & (1 << j)) == 0) ? false : true;
	}

	// 把x映射的比特位设置成1
	void set(size_t x)
	{
		// 计算出他是第i个char对象中
		size_t i = x / 8;
		// 计算出他在这个char的第j个比特位上
		size_t j = x % 8;

		_bits[i] |= (1 << j);
	}

	void reset(size_t x)
	{
		// 计算出他是第i个char对象中
		size_t i = x / 8;
		// 计算出他在这个char的第j个比特位上
		size_t j = x % 8;

		_bits[i] &= (~(1 << j));
	}
private:
	vector<char> _bits;
};

布隆过滤器

我们在使用新闻客户端看新闻时，它会给我们不停地推荐新的内容，它每次推荐时要去重，去掉那些已经看过的内容。问题来了，新闻客户端推荐系统如何实现推送去重的？ 用服务器记录了用户看过的所有历史记录，当推荐系统推荐新闻时会从每个用户的历史记录里进行筛选，过滤掉那些已经存在的记录。 如何快速查找呢？

1. 用哈希表存储用户记录，缺点：浪费空间
2. 用位图存储用户记录，缺点：不能处理哈希冲突
3. 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。

布隆过滤器的实现

布隆过滤器就是用不同的哈希函数，将一个数据映射到位图结构中。

namespace nzb
{
	template<size_t N>
	class bitset
	{
	public:
		bitset()
		{
			_bits.resize(N / 8 + 1, 0);
		}
	
		bool test(size_t x)
		{
			// 计算出他是第i个char对象中
			size_t i = x / 8;
			// 计算出他在这个char的第j个比特位上
			size_t j = x % 8;
	
			return ((_bits[i] & (1 << j)) == 0) ? false : true;
		}
	
		// 把x映射的比特位设置成1
		void set(size_t x)
		{
			// 计算出他是第i个char对象中
			size_t i = x / 8;
			// 计算出他在这个char的第j个比特位上
			size_t j = x % 8;
	
			_bits[i] |= (1 << j);
		}
	
		void reset(size_t x)
		{
			// 计算出他是第i个char对象中
			size_t i = x / 8;
			// 计算出他在这个char的第j个比特位上
			size_t j = x % 8;
	
			_bits[i] &= (~(1 << j));
		}
	private:
		vector<char> _bits;
	};
	struct HashStr1
	{
		size_t operator()(const string& s)
		{
			size_t hash = 0;
			// BKDR
			for (size_t i = 0; i < s.size(); ++i)
			{
				hash *= 131;
				hash += s[i];
			}

			return hash;
		}
	};

	struct HashStr2
	{
		size_t operator()(const string& s)
		{
			size_t hash = 0;
			// SDBMHash
			for (size_t i = 0; i < s.size(); ++i)
			{
				hash *= 65599;
				hash += s[i];
			}

			return hash;
		}
	};

	struct HashStr3
	{
		size_t operator()(const string& s)
		{
			size_t hash = 0;
			// RSHash
			size_t magic = 63689;
			for (size_t i = 0; i < s.size(); ++i)
			{
				hash *= magic;
				hash += s[i];
				magic *= 378551;
			}

			return hash;
		}
	};

	template<size_t N,
		class K=string,
		class Hash1	= HashStr1,
		class Hash2 = HashStr2,
		class Hash3 = HashStr3>
	class BloomFilter
	{
	public:
		bool Test(const K& key)// 检测
		{
			size_t index1 = Hash1()(key) % len;
			if (_bs.test(index1) == false)
			{
				return false;
			}

			size_t index2 = Hash2()(key) % len;
			if (_bs.test(index2) == false)
			{
				return false;
			}

			size_t index3 = Hash3()(key) % len;
			if (_bs.test(index3) == false)
			{
				return false;
			}

			return true;
		}
		
		void Set(const K& key)// 插入
		{
			size_t index1 = Hash1()(key) % len;
			size_t index2 = Hash2()(key) % len;
			size_t index3 = Hash3()(key) % len;

			_bs.set(index1);
			_bs.set(index2);
			_bs.set(index3);
		}
	private:
		bitset<6*N> _bs;
		size_t len = 6*N;
	};
}

注意： 布隆过滤器如果说某个元素不存在时，该元素一定不存在，如果该元素存在时，该元素可能存在，因为有些哈希函数存在一定的误判。

布隆过滤器不能直接支持删除工作，因为在删除一个元素时，可能会影响其他元素。

比如：删除上图中"tencent"元素，如果直接将该元素所对应的二进制比特位置0，“baidu”元素也被删除了，因为这两个元素在多个哈希函数计算出的比特位上刚好有重叠。

一种支持删除的方法：将布隆过滤器中的每个比特位扩展成一个小的计数器，插入元素时给k个计数器(k个哈希函数计算出的哈希地址)加一，删除元素时，给k个计数器减一，通过多占用几倍存储空间的代价来增加删除操作。

布隆过滤器优点

1. 增加和查询元素的时间复杂度为:O(K), (K为哈希函数的个数，一般比较小)，与数据量大小无关
2. 哈希函数相互之间没有关系，方便硬件并行运算
3. 布隆过滤器不需要存储元素本身，在某些对保密要求比较严格的场合有很大优势
4. 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
5. 数据量很大时，布隆过滤器可以表示全集，其他数据结构不能
6. 使用同一组散列函数的布隆过滤器可以进行交、并、差运算

布隆过滤器缺陷

1. 有误判率，即存在假阳性(False Position)，即不能准确判断元素是否在集合中(补救方法：再建立一个白名单，存储可能会误判的数据)
2. 不能获取元素本身
3. 一般情况下不能从布隆过滤器中删除元素
4. 如果采用计数方式删除，可能会存在计数回绕问题

海量数据面试题

1. 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？

• 先创建100个小文件，分别叫0.txt 1.txt …99.txt。然后读取100G long file，依次获取每个ip
• 用一个字符串哈希算法，把ip转换成整形。比如使用BKDR size_t num = BKDRHash(ip) %100然后这个ip就进行num.txt号小文件，依次对所有ip，进行处理，进入对应的小文件。
• 依次读取每个小文件，比如先读取0.txt中ip，map<string, int>统计次数。这里ip的次数就是他最终次数然后在clear掉map中值，在读取1.txt,继续统计次数，不断走下去。
• 比如要找出出现次数最多的ip，那就记录一下，每次统计出的次数最多ip,比较记录下最多即可，如果要找出现次数top k的ip，建立一个k个数小堆即可。

2. 给定100亿个整数，设计算法找到只出现一次的整数？

利用两个比特位标识一个值，不存在为00，出现1次为01，出现多次为10。

也可以用两个位图，代码如下

namespace nzb
{
	template<size_t N>
	class bitset
	{
	public:
		bitset()
		{
			_bits.resize(N / 8 + 1, 0);
		}

		bool test(size_t x)
		{
			// 计算出他是第i个char对象中
			size_t i = x / 8;
			// 计算出他在这个char的第j个比特位上
			size_t j = x % 8;

			return ((_bits[i] & (1 << j)) == 0) ? false : true;
		}

		// 把x映射的比特位设置成1
		void set(size_t x)
		{
			// 计算出他是第i个char对象中
			size_t i = x / 8;
			// 计算出他在这个char的第j个比特位上
			size_t j = x % 8;

			_bits[i] |= (1 << j);
		}

		void reset(size_t x)
		{
			// 计算出他是第i个char对象中
			size_t i = x / 8;
			// 计算出他在这个char的第j个比特位上
			size_t j = x % 8;

			_bits[i] &= (~(1 << j));
		}
	private:
		vector<char> _bits;
	};
	
	template<size_t N>
	class FindOnceValSet
	{
	public:
		void set(size_t x)
		{
			bool flag1 = _bst1.test(x);
			bool flag2 = _bst2.test(x);
			// 00 -> 01
			if (flag1 == false && flag2 == false)
			{
				_bst2.set(x);
			}// 01 -> 10
			else if (flag1 == false && flag2 == true)
			{
				_bst1.set(x);
				_bst2.reset(x);
			}
			// 10 -> 10  不处理，标识已经出现多次
		}

		void print_once_num()
		{
			for (size_t i = 0; i < N; i++)
			{
				if (_bst1.test(i) == false && _bst2.test(i) == true)
				{
					cout << i << endl;
				}
			}
		}
	private:
		bitset<N> _bst1;
		bitset<N> _bst2;
	};
}

3. 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？

创建两个位图，将两个文件分别映射到位图中，两个位图中相同位置都为1的话，映射到该位置的文件是交集。

4. 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？分别给出精确算法和近似算法

假设这两个文件分别为A,B。依次读取A的文件中query，然后使用字符串哈希算法转成整形，size_t val = HashStr(query);size_t i = val%200;这个query就是进入Ai.txt号小文件，相同操作用于B。A和B中，相同的query进入编号相同的小文件，只需要在编号相同的小文件找交集即可。