目录
前言：位图是根据哈希思想来通过bit位存储某种状态的，是适用于海量数据的情况。布隆过滤器是为了解决除整型外其它类型的海量数据的情况，思想与位图相同。哈希切割则是另一个对大文件进行哈希切分成多个小文件的思想。
一.位图
1.概念
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。
例如：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。
这道题就可以用位图来解决：数据是否在给定的整型数据中，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bit位来代表数据是否存在的信息，如果二进制bit位为1，代表存在；为0，代表不存在。
2.bitset使用
位图的实现并不难，并且在C++中是有这个的，bitset可以看作是一种特殊的容器，是二进制位的容器。主要的接口如下：
set(size_t pos)：将pos数所映射的bit位标记为1
reset(size_t pos)：将pos数所映射的bit标记回0
test(size_t pos)：检测pos数所映射的bit为是否为1，为1则返回true
3.实现
我们这里用vector<char>来实现位图。
首先是一个构造函数，要开N / 8 + 1个空间，因为一个字节有8个bit位，并且我们不确定这个N是否为8的倍数，因此我们要多开一个空间，即使浪费也只是最多浪费8个而已。
set函数首先要得到x映射的bit位在第几个char对象（这里用x / 8就可以得到），然后再得到x在该char对象的第几个bit位（这里用x % 8就可以得到）。最后通过按位或|【_bits[i] |= (1 << j)】操作，就可以在不影响其它位的情况下，将对应的char对象的对应的bit位变为1。
reset函数前面也是要得到对应的位置，然后通过按位与&【_bits[i] &= (~(1 << j))】操作，在不影响其它位的情况下，将对应的char对象的对应的bit位变为0。
test函数前面一样要得到对应的位置，然后通过按位与【_bits[i] & (1 << j)】操作，在不影响任何位的情况下，可以判断对应char对象的对应的bit位为1还是0，并返回一个bool类型。为1则为true，为0则为false。
namespace hb
{
// N个bit位的位图
template<size_t N>
class bitset
{
public:
bitset()
{
// +1保证bit位，最多浪费8个
_bits.resize(N / 8 + 1, 0);
}
// x映射的位标记成1
void set(size_t x)
{
// x映射的bit位在第几个char对象
size_t i = x / 8;
// x在char的第几个bit位
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)
{
// x映射的bit位在第几个char对象
size_t i = x / 8;
size_t j = x % 8;
return _bits[i] & (1 << j);
}
private:
std::vector<char> _bits;
};
}4.题
（1）给定100亿个整数，设计算法找到只出现一次的整数。
可以创建两个位图，如果没有出现，两个位图对应的位置都是0（即00）；出现一次的，让两个位图对应的位置分别是0和1（即01）；出现两次及以上的，让两个位图对应的位置分别是1和0（即10）。
最后判断，如果是01的就是要找的只出现一次的整数。
class two_bitset
{
public:
void set(size_t x)
{
int in1 = _bs1.test(x);
int in2 = _bs2.test(x);
if (in1 == 0 && in2 == 0)
{
_bs2.set(x);
}
else if (in1 == 0 && in2 == 1)
{
_bs1.set(x);
_bs2.reset(x);
}
}
bool is_once(size_t x)
{
return _bs1.test(x) == 0 && _bs2.test(x) == 1;
}
private:
bitset<N> _bs1;
bitset<N> _bs2;
};（2）给两个文件，分别有100亿个整数，我们只要1G内存，如何找到两个文件交集。
位图的题都差不多，这道题要先对两个文件的整数去重，然后再分别存在两个位图中，出现的数就变为1，最后两个相比较，为1的就是交集。
（3）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。
创建两个位图，如果没有出现，两个位图对应的位置都是0（即00）；出现一次的，让两个位图对应的位置分别是0和1（即01）；出现两次的，让两个位图对应的位置分别是1和0（即10）；
出现两次以上的，让两个位图对应的位置都是1（即11）。
最后判断，如果是01和10的就是结果。
与（1）几乎一样，只是多了个11。
二.哈希切割
我们看这样一道题：给一个超过100个G大小的log文件，log中存着ip地址，设计算法找到出现次数最多的IP地址。
这道题是属于KV模型的，就不能用布隆过滤器（布隆过滤器本质上就是位图，布隆过滤器是用来解决处理整数外的其它类型，在下面介绍）来解决了，因此我们可以用哈希切割这一思想。
首先我们依次读取ip，并按照i = HashFunc（ip） % 100，这样切分成100个小文件【A0，A1，A2... A99】（这就可以使相同的ip一定进入同一个小文件）。
但是存在这样的问题，映射冲突这个编号文件的ip太多，这就可能导致内存不足，因此我们可以采用抛异常的方式来解决。
try
{
countMap[ip]++;
}
catch(exception& e)
{
countMap.clear();
// 捕获内存不足的异常，说明内存不够
// 针对这个小文件，再次换个哈希函数，进行哈希切分，再切分成小文件
}
// 再对小文件依次统计三.布隆过滤器
1.概念
布隆过滤器是由布隆提出的一种紧凑、比较巧妙的概率型数据结构，特点是可以高效地插入和查询，可以解决“某种东西一定不存在，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。
2.实现代码
布隆过滤器要用多种哈希函数主要去对string类型进行不同的转化，然后使一个字符串产生多种映射位置，依次分别进行插入，并根据这个进行查找或者删除。
namespace hb
{
struct BKDRHash
{
size_t operator()(const string& s)
{
// BKDR
size_t value = 0;
for (auto ch : s)
{
value *= 31;
value += ch;
}
return value;
}
};
struct APHash
{
size_t operator()(const string& s)
{
size_t hash = 0;
for (long i = 0; i < s.size(); i++)
{
if ((i & 1) == 0)
{
hash ^= ((hash << 7) ^ s[i] ^ (hash >> 3));
}
else
{
hash ^= (~((hash << 11) ^ s[i] ^ (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;
}
};
struct JSHash
{
size_t operator()(const string& s)
{
size_t hash = 1315423911;
for (auto ch : s)
{
hash ^= ((hash << 5) + ch + (hash >> 2));
}
return hash;
}
};
template <size_t M,
class K = string,
class HashFunc1 = BKDRHash,
class HashFunc2 = APHash,
class HashFunc3 = DJBHash,
class HashFunc4 = JSHash>
class BloomFilter
{
public:
void Set(const K& key)
{
size_t hash1 = HashFunc1()(key) % M;
size_t hash2 = HashFunc2()(key) % M;
size_t hash3 = HashFunc3()(key) % M;
size_t hash4 = HashFunc4()(key) % M;
_bs.set(hash1);
_bs.set(hash2);
_bs.set(hash3);
_bs.set(hash4);
}
bool Test(const K& key)
{
size_t hash1 = HashFunc1()(key) % M;
if (_bs.test(hash1) == false)
{
return false;
}
size_t hash2 = HashFunc2()(key) % M;
if (_bs.test(hash2) == false)
{
return false;
}
size_t hash3 = HashFunc3()(key) % M;
if (_bs.test(hash3) == false)
{
return false;
}
size_t hash4 = HashFunc4()(key) % M;
if (_bs.test(hash4) == false)
{
return false;
}
return true; // 存在误判
}
private:
bitset<M> _bs;
};
}3.插入
根据不同的哈希函数得到不同的映射位置，并分别将其插入进位图中。
void Set(const K& key)
{
size_t hash1 = HashFunc1()(key) % M;
size_t hash2 = HashFunc2()(key) % M;
size_t hash3 = HashFunc3()(key) % M;
size_t hash4 = HashFunc4()(key) % M;
_bs.set(hash1);
_bs.set(hash2);
_bs.set(hash3);
_bs.set(hash4);
}4.查找
根据布隆过滤器的思想，我们可以按照这样的方式进行查找：
分别计算每个哈希值对应的比特位置存储的是否为0，只要这些位置只要有一个为0，就代表该元素一定不在哈希表中，否则可能在哈希表中。
注意：布隆过滤器如果说某个元素不存在时，那么该元素一定不存在，如果该元素存在时，那么该元素可能存在，因为哈希函数存在一定的误判。
bool Test(const K& key)
{
size_t hash1 = HashFunc1()(key) % M;
if (_bs.test(hash1) == false)
{
return false;
}
size_t hash2 = HashFunc2()(key) % M;
if (_bs.test(hash2) == false)
{
return false;
}
size_t hash3 = HashFunc3()(key) % M;
if (_bs.test(hash3) == false)
{
return false;
}
size_t hash4 = HashFunc4()(key) % M;
if (_bs.test(hash4) == false)
{
return false;
}
return true; // 存在误判
}5.删除
布隆过滤器正常是不能直接支持删除的，因为在删除一个元素时，可能会影响其它元素。
有一种删除的方法是：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分哈希函数计算处的哈希地址）+1，在删除元素时，给k个计数器-1，这样通过多占几倍的存储空间代价来增加删除操作。
6.优缺点
（1）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）
② 哈希函数相互之间没有关系，方便硬件并行运算
③ 不需要存储元素本身，在某些对保密要求比较严格而的场合有很大优势
④ 在能够承受一定的误判时，布隆过滤器比其它数据结构有很大的空间优势
⑤ 数据量很大时，布隆过滤器可以表示全集，其它数据结构不能
⑥ 使用同一数组散列函数的布隆过滤器可以进行交、并、差运算
（2）缺点
① 有误判率，不能准确判断元素是否在集合中（可以通过创建一个白名单，来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 如果采用计数器方式删除，可能会存在计数回绕问题
7.题
（1）给两个文件，分别由100亿个query（100字节），但只有1G内存，如何找到两个文件交集？分别给出近似算法和精确算法。
近似算法就是通过布隆过滤器，跟位图中的（2）求交集一样，只是这里是利用布隆过滤器进行了转化。
精确算法要用到布隆过滤器和哈希切割来实现，按照i = HashFunc（query） % 1000，这样切分成1000个小文件【A0，A1，A2... A999】，另一个文件也是如此，切分成1000个小文件【B0，B1，B2... B999】。切分之后，注意这里可以直接用set分别找编号相同的小文件交集（因为这里是使用set的，因此一定是精确的）。
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
