如何判断一个元素在亿级数据中是否存在？ 很难吗...

这两天看博客园首页一篇文章，https://www.cnblogs.com/crossoverJie/p/10018231.html

主要是分析一个面试题：

现在有一个非常庞大的数据，假设全是 int 类型。现在我给你一个数，你需要告诉我它是否存在其中(尽量高效)。

虽然文章给的布隆过滤器不能解决面试的这个题的问题，判断不存在和判断存在是两码事。

 

下面给出我的思路，欢迎大家讨论分析。

先假定有1亿个正整数，如何处理。如何初始化这1亿个数，使得来一个数就能快速分析出结果呢？

很直观的一种方法就是某个数存在就给它标记为1，否则标记为0，先假定有一个int.Max长的数组，每个数的值放到它的序号上，比如第一个数是5，那么就在第5位置1，其余类似。

如果用int数组，这样的话，这个数组就很长了，内存可能吃不消。

其实0、1这样的用比特存储就刚刚好，那么每8位的比特合在一起，就是一个byte，每一个byte加一个序号（表示是第几个8位）就能表示8个数是否存在了。那么如果用byte数组长度就是：1亿/ 8 = 12500000长的byte数组即可，这个数组的序号就是第N*8-N*8+8个数的分布情况。比如要查100是否存在这1亿数据中，对100除8取结果和余数，结果确定序号，判断序号对应的数的二进制在余数位是否为1即可。

同理，用int可以存32个数，就是1亿/32长的int数组；用long可以存64个数，就是1亿/64长的long数组即可。

无论是用byte、int还是long数组，大小都查不到，约： 1亿/ 32 * 4 / 1024 / 1024 ≈ 12(MB)，也就是说用这么一点内存即可解决问题。

对于负数的处理，无非再用一个数组来存下即可。

那么如果数据多于1亿，比如10亿，百亿甚至更多怎么办呢？

很简单，存在数据库里面嘛，一个表俩字段（序号+值）即可，建个索引，很容易就能支持海量数据的处理了，这样扩展性的问题也就解决了。

 

一时兴起写的，排版请见谅。欢迎大家讨论。

转载于:https://www.cnblogs.com/wilsonLee/p/10038152.html