腾讯曾经出过这样一道面试题。
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。
拿到这个题目,我们首先想到的是遍历这40亿的数字,然后一个一个找。显然是行不通的。因为这40亿个数放到内存中,大约需要16G内存。
如果我们把它转换成位图处理,那么就好处理多了。我们可以把一个×××再细分一下,一个int类型就可以编程32个位,每一位用0,1表示当前这个位置上是否存有值,同样是利用哈希存储的方法。只是这样存储的话就可以减少很多的空间了,例如上题使用的内存就可以从16G降到500M的内存。空间的使用率减少了不止一点。
大家可以根据我这个方法实现上面的代码,今天我主要介绍的是布隆过滤器,因为布隆过滤器也要用到位图(bitmap),位图实现思想:
1.把一个int类型变成32个bits。
2.把它们全部初始化为0。
3.如果当前位上有值,把0置成1。
下面我给出位图的实现代码:
BitMap.h中
#include <vector>
class BitMap
{
public:
BitMap(size_t size = 0)
:_size(0)
{
//用resize开辟空间,_a中的值会被初始化为0
//加1为了让值全部能放到数组中,假如有36个数,36/32=1余4,而
//多开的那个空间就保证了这4个数能放下
//_a.resize(size/32+1);和下面的代码一个性质,只不过用移位运算符比除法的效率高
_a.resize((size >> 5) + 1);
}
//插入
void Set(size_t x)
{
size_t index = x >> 5;
size_t num = x % 32;
//当前位置如果等于0,没有值,可以插入
if (!(_a[index] & (1 << num)))
{
_a[index] |= (1 << num);//当前位置置1
++_size;
}
}
//删除
void Reset(size_t x)
{
size_t index = x >> 5;
size_t num = x % 32;
//当前位置为1,有值,可以删除
if (_a[index] & (1 << num))
{
_a[index] &= ~(1 << num);//当前位置置0
--_size;
}
}
//判断是否有值
bool BitMapTest(size_t x)
{
size_t index = x >> 5;
size_t num = x % 32;
if (_a[index] & (1 << num))
{
return true;
}
return false;
}
void Resize(size_t size)
{
_a.resize(size);
}
protected:
vector<size_t> _a;
size_t _size;
};
如果想判断一个元素是不是在一个集合里,一般想到的是将所有元素保存起来,然后通过比较确定。链表,树等等数据结构都是这种思路. 但是随着集合中元素的增加,我们需要的存储空间越来越大,检索速度也越来越慢。不过世界上还有一种叫作散列表(又叫哈希表,Hash table)的数据结构。它可以通过一个Hash函数将一个元素映射成一个位阵列(Bit Array)中的一个点。这样一来,我们只要看看这个点是不是 1 就知道可以集合中有没有它了。这就是布隆过滤器的基本思想。
Hash面临的问题就是冲突。假设 Hash 函数是良好的,如果我们的位阵列长度为 m 个点,那么如果我们想将冲突率降低到例如 1%, 这个散列表就只能容纳 m/100 个元素。显然这就不叫空间有效了(Space-efficient)。解决方法也简单,就是使用多个 Hash,如果它们有一个说元素不在集合中,那肯定就不在。如果它们都说在,虽然也有一定可能性它们在说谎,不过直觉上判断这种事情的概率是比较低的。
优点
相比于其它的数据结构,布隆过滤器在空间和时间方面都有巨大的优势。布隆过滤器存储空间和插入/查询时间都是常数。另外, Hash 函数相互之间没有关系,方便由硬件并行实现。布隆过滤器不需要存储元素本身,在某些对保密要求非常严格的场合有优势。
布隆过滤器可以表示全集,其它任何数据结构都不能;
k 和 m 相同,使用同一组 Hash 函数的两个布隆过滤器的交并差运算可以使用位操作进行。
缺点
但是布隆过滤器的缺点和优点一样明显。误算率(False Positive)是其中之一。随着存入的元素数量增加,误算率随之增加。但是如果元素数量太少,则使用散列表足矣。
另外,一般情况下不能从布隆过滤器中删除元素. 我们很容易想到把位列阵变成整数数组,每插入一个元素相应的计数器加1, 这样删除元素时将计数器减掉就可以了。然而要保证安全的删除元素并非如此简单。首先我们必须保证删除的元素的确在布隆过滤器里面. 这一点单凭这个过滤器是无法保证的。另外计数器回绕也会造成问题。
下面给出布隆过滤器的实现代码:
仿函数实现,我用了5个仿函数,它们的实现我是看http://www.cnblogs.com/-clq/archive/2012/05/31/2528153.html这里面实现的,他的实现比较好,能更好的避免哈希冲突。
commom.h中
#pragma once
#include <string>
size_t NewSize(size_t size)
{
// 使用素数表对齐做哈希表的容量,降低哈希冲突
const int _PrimeSize = 28;
static const unsigned long _PrimeList[_PrimeSize] =
{
53ul, 97ul, 193ul, 389ul, 769ul,
1543ul, 3079ul, 6151ul, 12289ul, 24593ul,
49157ul, 98317ul, 196613ul, 393241ul, 786433ul,
1572869ul, 3145739ul, 6291469ul, 12582917ul, 25165843ul,
50331653ul, 100663319ul, 201326611ul, 402653189ul, 805306457ul,
1610612741ul, 3221225473ul, 4294967291ul
};
for (int i = 0; i < _PrimeSize; i++)
{
if (_PrimeList[i]>size)
{
return _PrimeList[i];//按照素数表来设置容量大小
}
}
//当需要的容量超过素数表的最大容量,我们就按照最大的来扩容
return _PrimeList[_PrimeSize - 1];
}
template <class T>
struct __HashFunc1
{
size_t BKDRHash(const T *str)
{
register size_t hash = 0;
while (size_t ch = (size_t)*str++)
{
hash = hash * 131 + ch;
}
return hash;
}
size_t operator()(const T& key)
{
return BKDRHash(key.c_str());
}
};
template <class T>
struct __HashFunc2
{
size_t SDBMHash(const T *str)
{
register size_t hash = 0;
while (size_t ch = (size_t)*str++)
{
hash = 65599 * hash + ch;
//hash = (size_t)ch + (hash << 6) + (hash << 16) - hash;
}
return hash;
}
size_t operator()(const T& key)
{
return SDBMHash(key.c_str());
}
};
template <class T>
struct __HashFunc3
{
size_t RSHash(const T *str)
{
register size_t hash = 0;
size_t magic = 63689;
while (size_t ch = (size_t)*str++)
{
hash = hash * magic + ch;
magic *= 378551;
}
return hash;
}
size_t operator()(const T& key)
{
return RSHash(key.c_str());
}
};
template <class T>
struct __HashFunc4
{
size_t APHash(const T *str)
{
register size_t hash = 0;
size_t ch;
for (long i = 0; ch = (size_t)*str++; i++)
{
if ((i & 1) == 0)
{
hash ^= ((hash << 7) ^ ch ^ (hash >> 3));
}
else
{
hash ^= (~((hash << 11) ^ ch ^ (hash >> 5)));
}
}
return hash;
}
size_t operator()(const T& key)
{
return APHash(key.c_str());
}
};
template <class T>
struct __HashFunc5
{
size_t JSHash(const T *str)
{
if (!*str) // 这是由本人添加,以保证空字符串返回哈希值0
return 0;
register size_t hash = 1315423911;
while (size_t ch = (size_t)*str++)
{
hash ^= ((hash << 5) + ch + (hash >> 2));
}
return hash;
}
size_t operator()(const T& key)
{
return JSHash(key.c_str());
}
};
我使用了5个Hash函数,可以降低哈希冲突。大家视情况而定,自己设置哈希函数的个数。
BoolmFilter.h中
#pragma once
#include<string>
#include "BitMap.h"
#include "common.h"
template<class T = string,
class HashFunc1=__HashFunc1<T>,
class HashFunc2 = __HashFunc2<T>,
class HashFunc3 = __HashFunc3<T>,
class HashFunc4 = __HashFunc4<T>,
class HashFunc5 = __HashFunc5<T>
>
class BoolmFilter
{
public:
BoolmFilter(size_t capatity = 0)
{
_capatity = NewSize(capatity);
_bm.Resize(_capatity);
}
void Set(const T& key)
{
size_t index1 = HashFunc1()(key);
size_t index2 = HashFunc2()(key);
size_t index3 = HashFunc3()(key);
size_t index4 = HashFunc4()(key);
size_t index5 = HashFunc5()(key);
_bm.Set(index1%_capatity);
_bm.Set(index2%_capatity);
_bm.Set(index3%_capatity);
_bm.Set(index4%_capatity);
_bm.Set(index5%_capatity);
}
bool Test(const T& key)
{
size_t index1 = HashFunc1()(key);
if (!_bm.BitMapTest(index1%_capatity))
{
return false;
}
size_t index2 = HashFunc2()(key);
if (!_bm.BitMapTest(index2%_capatity))
{
return false;
}
size_t index3 = HashFunc3()(key);
if (!_bm.BitMapTest(index3%_capatity))
{
return false;
}
size_t index4 = HashFunc4()(key);
if (!_bm.BitMapTest(index4%_capatity))
{
return false;
}
size_t index5 = HashFunc5()(key);
if (!_bm.BitMapTest(index5%_capatity))
{
return false;
}
return true;
}
protected:
BitMap _bm;
size_t _capatity;
};
test.cpp中
#include <iostream>
using namespace std;
#include "BoolmFilter.h"
void BoolTest()
{
BoolmFilter<>bf(100);
bf.Set("she is girl");
bf.Set("我是好人");
bf.Set("chive/2012/05/31/2528153.html");
cout << bf.Test("she is girl") << endl;
cout << bf.Test("我是好人") << endl;
cout << bf.Test("chive/2012/05/31/2528153.html") << endl;
}
int main()
{
BoolTest();
system("pause");
return 0;
}
希望能帮到大家,有什建议可以提出,谢谢!
转载于:https://blog.51cto.com/mnt3918290/1773437