海量字符串查找

最新推荐文章于 2022-12-08 11:59:10 发布

Echo_Wei1991

最新推荐文章于 2022-12-08 11:59:10 发布

阅读量876

点赞数

分类专栏：大数据文章标签： hash bloomfilter

本文链接：https://blog.csdn.net/yoany/article/details/40377515

版权

大数据专栏收录该内容

3 篇文章 0 订阅

订阅专栏

这次老师留的作业是海量字符串查找

很多同学用了trie树，压缩了trie树，作为一个菜鸟，我和我的搭档选择了比较简单的bloomfilter，她写出来代码之后我读了再看着她的写的，很惭愧，不过自己也进步了一点

继续努力吧

老师给了一个strpool.dat的文件，里面是很多邮箱地址，还有一个checkedemai.dat的文件，里面是100个邮箱，我们需要查明这100个邮箱在strpool中是不是存在

存在就把yes写入新文件，不存在就写入no

1）这次我学到了怎么在C语言中打开一个文件，以写的方式还是读的方式

用FILE定义三个指针，指向三个文件，再用fopen函数打开文件：

	FILE *fp_strpool, *fp_checkedstr, *fp_result;//FILE *name = fopen(filename,type);

        fp_strpool = fopen(argv[1], "r");
	fp_checkedstr = fopen(argv[2], "r");
	fp_result = fopen(argv[3], "w");

2）如何获取系统当前时间（可以看自己的程序运行了多久）
ps:这段代码是我在网上搜到的

#include <time.h>
int main ()
{
time_t rawtime;
struct tm * timeinfo1;
time (&rawtime);
timeinfo1 = localtime(&rawtime);
printf("current time :%s",asctime(timeinfo1));
.......
your code
........
struct tm * timeinfo2;
time (&rawtime);
timeinfo2 = localtime(&rawtime);
printf("current time is :%s",asctime(timeinfo2));
}

3)从文件中读取字符串：fgets

fgets 可以从文件中读取字符串char *fgets(char *buf, int bufsize, FILE *stream) 从stream中读取bufsize个字符，第1024个为\0，读取的字符串保存在buf中

4)写入文件fprintf

eg:fprintf(filepointer, "%d, no\n",a);

5)哈希函数是干嘛的：

跟数据结构课本中学到的有点不一样，我原来觉得哈希函数就是给一个数算出来一个存储位置

现在接触的哈希函数是把不定长度的字符串变成一个unsigned int型的数

我的全部代码：

#include <stdio.h>
#include <stdlib.h>
#include <string.h>

#include "GeneralHashFunctions.h"

#define HASH_NUM 11
#define BIT_ARRAY_LENGTH 239620000

void bf_add(void *,char *);
int bf_search(void *,char *);
unsigned int (*hashfamily[HASH_NUM])(char *,unsigned int)={&RSHash, &JSHash, &PJWHash, &ELFHash, &BKDRHash, &SDBMHash, &DJBHash, &DEKHash, &BPHash, &FNVHash, &APHash};
void bf_check(FILE *strpool,FILE *checkemail,FILE *result);

int main (int argc, char *argv[])
{
	FILE * strpool,* checkedemial,*result;

	char line[1024];

	//open emailpool  r means read,w means write
	strpool = fopen(argv[1],"r");
	checkedemial = fopen(argv[2],"r");
	result = fopen(argv[3],"w");

	bf_check(strpool,checkedemial,result);


	return 0;

}
void bf_check(FILE *strpool,FILE *checkedemail,FILE *result)
{
	void *bf;//初始化bf
	bf =  malloc(BIT_ARRAY_LENGTH);//blommfilter created
	char line1[1024];char line2[1024];
    while (fgets(line1,1024,strpool) )
	{
	bf_add(bf,line1);
	
	}
	int position=0;
	while(fgets(line2,1024,checkedemail))
	{
	bf_search(bf,line2);
	position++;//record the checkedemail line
	if(	bf_search(bf,line2)==1){fprintf(result,"%d,yes\n",position);}
	if(	bf_search(bf,line2)==0){fprintf(result,"%d,no\n",position);}
	}
}//bf_check


void bf_add(void *bf,char *line)
{
int i=0;
while(i<HASH_NUM)
{
unsigned int bit=hashfamily[i](line,strlen(line));
int k=bit/8%BIT_ARRAY_LENGTH;
int j=bit%8;
char *c=(char) *bf;
c[k]=(0x00000001<<j)|c[k];
i++;
}
}//bf_add

int bf_search(void *bf,char *line)
{
	int i=0;
	while(i<HASH_NUM)
	{
	unsigned int bit=hashfamily[i](line,strlen(line));
	int k=bit/8%BIT_ARRAY_LENGTH;
	int j=bit%8;
	char *c=(char) *bf;
	if((int)(c[k]&(0x00000001<<j))==0) return 0;else return 1;

	i++;
	}

}//bf_search

另外：GeneralHashFunctions.h 和GeneralHashFunctions.c是网上下载的

网址：http://www.partow.net/programming/hashfunctions/

补充一下：关于置位函数和检查标志位函数

为了节约内存，我们把bf转换为char型，一个char型数组是一个字节，8位。相当于把bf划分成8位的一个个的小储存空间。i=bit/8%BIT_ARRAY_LENGTH可以算出来是哪个小空间，然后再j=bit%8,得到小空间里对应的位，然后把0000 0001左移j位，与原来小空间的位们或运算，这样不会影响原来已经计算出来是0还是1的位。

在检察标志位的时候，用整个小空间的数和左移位后的0000 0001相与，比如左移4位，是0110 0001 与0001 0000相与，结果是0000 0000，转换成int型之后是0，所以可以判定原来那个位是一个0，而不是1，也不影响其他位，这样就返回0；如果是0111 0001与0001 0000相与，得到0001 0000，转换成int型之后不是0，可以判定原来是1，返回1。