一般在爬取网页的时候,会出现大量重复的数据,这个时候我们一般都会选择用map来进行去重的功能,今天介绍一个新的进行去重的数据结构,位图。
如果我们要在1000万个范围在1到1亿的数据中去查询是否包含某个值,那么使用map是可以的,但是会浪费很多的空间,我们可以这样做。
申请一块大小为1亿的大小的数组,值为bool,我们将所有的数据都放到数组中,只要有数的,就为true,这样查找只需要我们查询这个值在数组中是否为true。
当然这样有点浪费空间,我们还可以进行优化,我们可以用bit位来表示是否存在,bit包含0,1,而且一个数组的bool空间可以化为多个bit,这样就可以减少更多的空间了,比如一个数组的空间为4个bit,一个长度为16的位图,要查询53的话,我们先用53/16为3,我们就知道它在a[3]这个位置上,取余为5,那就代表在a[3]的第5个bit上。这样就达到了查询是否存在的效果。
当然位图是有局限的,我们在实际的开发中,可以直接去选择布隆过滤器来进行去重的工作,这个就需要大家自己去了解它了,但是底层的思想都是一样的,只不过是它的哈希算法不一样。