1.布隆过滤器
白名单拦截
基于guava
需要二进制向量和一系列随机映射的hash函数
原理:
数据经过一系列hash算法,计算出具体位置,置为1
经典场景
字处理软件中,需要检查一个英语单词是否拼写正确(100w)
在 FBI,一个嫌疑人的名字是否已经在嫌疑名单上(100w)
在网络爬虫里,一个网址是否被访问过(5亿个网站)
![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/789d7e2efdcc39e0c4ce8c1da6480a1a.png)
2.题目描述:
在2.5亿个整数中判断一个数是否存在,注意,内存不足以容纳2.5亿个整数。
分析解答:
方法一:分治法
对于大数据相关的算法题,分治法是一个非常好的方法。针对这一题来说,主要思路为:
可以根据实际可用内存的情况,确定一个Hash函数,比如:hash(value)%1000,
通过这个Hash函数可以把这2.5亿个数字划分到1000个文件中去(a1,a2……,a1000),
然后再对待查找的数字使用同样的Hash函数求出Hash值,假设计算出的Hash值为i,
如果这个数存在,那么它一定在文件ai中。通过这种方法就可以把题目转化为文件ai中
是否存在这个数。那么接下来的求解过程中可以选用的思路计较多,有:
(1)由于划分后的文件比较小了,就可以直接装载到内存中去,可以把
文件中所有的数字都保存到hash_set中,然后判断待查找的数字是否存在。
(2)如果这个文件中的数字占用的空间还是太大,那么可以用1相同的方法把这个
文件继续划分为更小的文件,然后确定待查找的数字可能存在的文件,然后在相应
的文件中继续查找。
方法二:位图法
对于这一类判断数字是否存在、判断数字是否重复的问题,位图法是一种非常高效的方法。
以32位整型为例,它可以表示数字的个数为2^32.可以申请一个位图,让每个整数对应的位图中
的一个bit,这样2^32个数需要的位图的大小为512MB。具体实现的思路为:申请一个512MB的
位图,并把所有的位都初始化为0;接着遍历所有的整数,对遍历到的数字,把相应的位置上的
bit设置为1.最后判断待查找的数对应的位图上的值是多少,如果是0,那么表示这个数字不存在
,如果是1,那么表示这个数字存在。