bitmap海量数据的快速查找和去重

题目描述

给你一个文件，里面包含40亿个整数，写一个算法找出该文件中不包含的一个整数， 假设你有1GB内存可用。

如果你只有10MB的内存呢？

对于40亿个整数，如果直接用int数组来表示的大约要用40*10^8*4B=16GB,超出了内存要求，这里

我们可以用bitmap来解决，bitmap基本思想是一位表示一个整数，比如我们有6个数据：

7 3 1 5 6 4

假设bitmap容量为8，当插入7时 bit[7]=1,一次类推

bit[3]=1

bit[1]=1

bit[5]=1

......

bit[4]=1

这样我们查询5，只需要查看bit[5]==1侧存在，否则不存在。

这样一个位代表一个数据，那40一个数据大概要40*10^8*bit = 0.5GB,满足内存要求。

首先我们用int来表示：int bmap[1+N/32]; //N是总数，N=40亿，一个int32bit

然后我们插入一个整数val，要先计算val位于数组bmap中的索引:index = val/32;

比如整数33，index=33/32=1,第33位于数组中的index=1

比如整数67，index=67/32=2,位于数组中index=2

然后在计算在这个index中的位置，因为数组中的每个元素有32位

33，index=1，在1中的位置为33%32=1

67，index=2，在2中的位置为67%32=3

然后就是标识这个位置为1：

bmap[val/32] |= (1<<(val%32));

33: bmap[1] != (1<<1);//xxxxxx1x,红丝位置被置为1

67: bmap[2] != (1<<3);//xxxx1xxx

代码：

 

?

1 2 3 4 5

void setVal(int val) {     bmap[val/32] |= (1<<(val%32));     //bmap[val>>5] != (val&0x1F);//这个更快？ }

怎样检测整数是否存在？

 

比如我们检测33，同样我们需要计算index，以及在index元素中的位置

33: index = 1, 在bmap[1]中的位置为 1，只需要检测这个位置是否为1

bmp[1] &(1<<1),这样是1返回true，否侧返回false

67:bmp[2]&(1<<3)

127:bmp[3]&(1<<31)

代码：

 

?

1 2 3 4 5

bool testVal(int val) {     return bmap[val/32] & (1<<(val%32));     //return bmap[val>>5] & (val&0x1F); }

下面是完整测试代码：

 

 

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26

const int N      = MaxN; const int BitLen = 32; int bmap[1+N/BitLen];   void setVal(int val) {     bmap[val/BitLen] |= (1<<(val%BitLen)); }   bool testVal(int val) {     return bmap[val/BitLen] & (1<<(val%BitLen)); }   void funTest() {     int a[] = {1, 2, 3, 4, 6, 7};       for (int i=0; i<6; ++i)     {         setVal(a[i]);     }       std::cout << testVal(5) << std::endl;     return 0; }

现在我们来看如果内存要求是10MB呢？

 

这当然不能用bitmap来直接计算。因为从40亿数据找出一个不存在的数据，我们可以将这么多的数据分成许

多块， 比如每一个块的大小是1000，那么第一块保存的就是0到999的数，第2块保存的就是1000 到1999的数……

实际上我们并不保存这些数，而是给每一个块设置一个计数器。 这样每读入一个数，我们就在它所在的块对应的计数器加1。

处理结束之后， 我们找到一个块，它的计数器值小于块大小(1000)， 说明了这一段里面一定有数字是文件中所不包含的。然后我们单独处理
这个块即可。接下来我们就可以用Bit Map算法了。我们再遍历一遍数据， 把落在这个块的数对应的位置1(我们要先把这个数
归约到0到blocksize之间)。 最后我们找到这个块中第一个为0的位，其对应的数就是一个没有出现在该文件中的数。)

代码如下（一个测试的代码）：

 

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93

const int N           = 1000; const int BITLEN      = 32; const int BLOCK_SIZE  = 100;   int Bucket[1+N/BLOCK_SIZE]={0}; int BitMap[1+BLOCK_SIZE/BITLEN] = {0};   void test() {     //生成测试数据     freopen("test.txt", "w", stdout);     for (int i=0; i<1000; ++i)     {         if (i == 127)         {             printf("0\n");             continue;         }         printf("%d\n", i);     }     fclose(stdout);       //读入测试数据     freopen("test.txt", "r", stdin);     int Value;     while (scanf("%d", &Value) != EOF)     {         ++Bucket[Value/BLOCK_SIZE]; //测试数据分段累计     }     fclose(stdin);       //找出累计计数小于BLOCK_SIZE的     int Start=-1, i;     for (i=0; i<1+N/BLOCK_SIZE; ++i)     {         if (Bucket[i] < BLOCK_SIZE)         {             Start = i*BLOCK_SIZE;             break;         }     }     if (i == 1+N/BLOCK_SIZE || Bucket[N/BLOCK_SIZE]==0 && i==N/BLOCK_SIZE) return;     int End = Start + BLOCK_SIZE-1;       //在不满足的那段用bitmap来检测     freopen("test.txt", "r", stdin);     while (scanf("%d", &Value) != EOF)     {         if (Value >= Start && Value <= End)//Value必须满足在那段         {             int Temp = Value - Start;             BitMap[Temp/BITLEN] |= (1<<(Temp%BITLEN));         }     }     fclose(stdin);       //找出不存在的数     freopen("re.txt", "w", stdout);     bool Found = false;     for (int i=0; i<1+BLOCK_SIZE/BITLEN; ++i)     {         for (int k=0; k < BITLEN; ++k)         {             if ((BitMap[i] & (1<<k)) =="0)" {="" printf("%d="" ",="" i*bitlen+k+start);="" found="true;" break;="" }="" if="" (found)="" fclose(stdout);="" <="" pre=""> 参考：https://hawstein.com/posts/12.3.html</p>   关于数据的去重这里有一遍很好的文章是用bitmap来实现： https://blog.csdn.net/hguisu/article/details/7880288<br>