当前位置：文档之家 › 海量数据处理算法 BitMap

海量数据处理算法 BitMap

  • 格式：doc
  • 大小：73.50 KB
  • 文档页数：10

海量数据处理算法 BitMap 1. Bit Map算法简介 来自于《编程珠玑》。所谓的Bit-map就是用一个bit位来标记某个元素对应的Value， 而Key即是该元素。由于采用了Bit为单位来存储数据，因此在存储空间方面，可以大大节省。

2、 Bit Map的基本思想

我们先来看一个具体的例子，假设我们要对0-7内的5个元素(4,7,2,5,3)排序（这里假设这些元素没有重复）。那么我们就可以采用Bit-map 的方法来达到排序的目的。要表示8个数，我们就只需要8个Bit（1Bytes），首先我们开辟1Byte的空间，将这些空间的所有Bit位都置为0，如 下图：

然后遍历这5个元素，首先第一个元素是4，那么就把4对应的位置为1（可以这样操作 p+(i/8)|(0x01<<(i%8)) 当然了这里的操作涉及到Big-ending和Little-ending的情况，这里默认为Big-ending）,因为是从零开始的，所以要把第五位 置为一（如下图）：

然后再处理第二个元素7，将第八位置为1,，接着再处理第三个元素，一直到最后处理完所有的元素，将相应的位置为1，这时候的内存的Bit位的状态如下：

然后我们现在遍历一遍Bit区域，将该位是一的位的编号输出（2，3，4，5，7），这样就达到了排序的目的。

优点： 1.运算效率高，不许进行比较和移位； 2.占用内存少，比如N=10000000；只需占用内存为N/8=1250000Byte=1.25M。 缺点： 所有的数据不能重复。即不可对重复的数据进行排序和查找。 算法思想比较简单，但关键是如何确定十进制的数映射到二进制bit位的map图。

3、 Map映射表 假设需要排序或者查找的总数N=10000000，那么我们需要申请内存空间的大小为int a[1 + N/32]，其中：a[0]在内存中占32为可以对应十进制数0-31，依次类推： bitmap表为： a[0]--------->0-31 a[1]--------->32-63 a[2]--------->64-95 a[3]--------->96-127 .......... 那么十进制数如何转换为对应的bit位，下面介绍用位移将十进制数转换为对应的bit位。

3、 位移转换

申请一个int一维数组，那么可以当作为列为32位的二维数组， | 32位 |

int a[0] |0000000000000000000000000000000000000| int a[1] |0000000000000000000000000000000000000| ……………… int a[N] |0000000000000000000000000000000000000|

例如十进制0，对应在a[0]所占的bit为中的第一位： 00000000000000000000000000000001 0-31：对应在a[0]中 i =0 00000000000000000000000000000000 temp=0 00000000000000000000000000000000 answer=1 00000000000000000000000000000001

i =1 00000000000000000000000000000001 temp=1 00000000000000000000000000000001 answer=2 00000000000000000000000000000010

i =2 00000000000000000000000000000010 temp=2 00000000000000000000000000000010 answer=4 00000000000000000000000000000100

i =30 00000000000000000000000000011110 temp=30 00000000000000000000000000011110

answer=1073741824 01000000000000000000000000000000 i =31 00000000000000000000000000011111 temp=31 00000000000000000000000000011111 answer=-2147483648 10000000000000000000000000000000

32-63：对应在a[1]中 i =32 00000000000000000000000000100000 temp=0 00000000000000000000000000000000 answer=1 00000000000000000000000000000001 i =33 00000000000000000000000000100001 temp=1 00000000000000000000000000000001 answer=2 00000000000000000000000000000010 i =34 00000000000000000000000000100010 temp=2 00000000000000000000000000000010 answer=4 00000000000000000000000000000100 i =61 00000000000000000000000000111101 temp=29 00000000000000000000000000011101 answer=536870912 00100000000000000000000000000000 i =62 00000000000000000000000000111110 temp=30 00000000000000000000000000011110 answer=1073741824 01000000000000000000000000000000 i =63 00000000000000000000000000111111 temp=31 00000000000000000000000000011111 answer=-2147483648 10000000000000000000000000000000 浅析上面的对应表： 1.求十进制0-N对应在数组a中的下标： 十进制0-31，对应在a[0]中，先由十进制数n转换为与32的余可转化为对应在数组a中的下标。比如n=24,那么 n/32=0，则24对应在数组a中的下标为0。又比如n=60,那么n/32=1，则60对应在数组a中的下标为1，同理可以计算0-N在数组a中的下标。

2.求0-N对应0-31中的数： 十进制0-31就对应0-31，而32-63则对应也是0-31，即给定一个数n可以通过模32求得对应0-31中的数。

3.利用移位0-31使得对应32bit位为1. 由此我们计算10000000个bit占用的空间： 1byte = 8bit 1kb = 1024byte 1mb = 1024kb 占用的空间为：10000000/8/1024/1024mb。 大概为1mb多一些。 3、 扩展

Bloom filter可以看做是对bit-map的扩展 4、 Bit-Map的应用 1）可进行数据的快速查找，判重，删除，一般来说数据范围是int的10倍以下。 2）去重数据而达到压缩数据

5、 Bit-Map的具体实现 c语言实现： 1. #define BITSPERWORD 32 2. #define SHIFT 5 3. #define MASK 0x1F 4. #define N 10000000 5. 6. int a[1 + N/BITSPERWORD];//申请内存的大小 7. 8. 9. //set 设置所在的bit位为1 10.void set(int i) { 11. a[i>>SHIFT] |= (1<<(i & MASK)); 12.} 13.//clr 初始化所有的bit位为0 14.void clr(int i) { 15. a[i>>SHIFT] &= ~(1<<(i & MASK)); 16.} 17.//test 测试所在的bit为是否为1 18.int test(int i){ 19. return a[i>>SHIFT] & (1<<(i & MASK)); 20.} 21. 22.int main() 23.{ int i; 24. for (i = 0; i < N; i++) 25. clr(i); 26. while (scanf("%d", &i) != EOF) 27. set(i); 28. for (i = 0; i < N; i++) 29. if (test(i)) 30. printf("%d\n", i); 31. return 0; 32.}

注明： 左移n位就是乘以2的n次方，右移n位就是除以2的n次方 解析本例中的void set(int i) { a[i>>SHIFT] |= (1<<(i & MASK)); } 1.i>>SHIFT： 其中SHIFT=5，即i右移5为，2^5=32,相当于i/32，即求出十进制i对应在数组a中的下标。比如i=20，通过i>>SHIFT=20>>5=0 可求得i=20的下标为0；

2.i & MASK： 其中MASK=0X1F,十六进制转化为十进制为31，二进制为0001 1111，i&（0001 1111）相当于保留i的后5位。

比如i=23，二进制为：0001 0111，那么 0001 0111 & 0001 1111 = 0001 0111 十进制为：23 比如i=83，二进制为：0000 0000 0101 0011，那么 0000 0000 0101 0011 & 0000 0000 0001 0000 = 0000 0000 0001 0011 十进制为：19

i & MASK相当于i%32。 3.1<<(i & MASK) 相当于把1左移 (i & MASK)位。 比如(i & MASK)=20，那么i<<20就相当于： 0000 0000 0000 0000 0000 0000 0000 0001 >>20 =0000 0000 0000 1000 0000 0000 0000 0000

4.void set(int i) { a[i>>SHIFT] |= (1<<(i & MASK)); }等价于： void set(int i) { a[i/32] |= (1<<(i%32)); }

合集下载

bitmap去重原理

bitmap去重原理

bitmap去重原理
Bitmap去重原理是一种利用位图（Bitmap）数据结构来实现数据去重的方法。

位图是一种用二进制位（bit）表示数据集合的方式，每个元素对应一个bit，如果该元素存在，则该bit为1，否则为0。

例如，集合{2,3,5,8}对应的位图为001101001，其中第2、3、5、8位为1，其余为0。

位图的优点是占用空间小，查询速度快，方便做集合运算。

Bitmap去重的基本思路是，对于给定的一组数据，首先创建一个足够大的位图，然后遍历数据，将每个数据对应的bit位置为1，这样就可以去掉重复的数据。

最后，遍历位图，统计bit为1的个数，就是数据的基数（不重复元素的个数）。

或者，遍历位图，将bit为1的位置所对应的数据保存下来，即为去重后的结果。

Bitmap去重的难点是，如果数据的范围很大，比如32位整数，那么需要的位图空间也很大，可能达到512MB。

为了解决这个问题，有一种改进的位图结构，叫做Roaring Bitmap，它可以根据数据的稀疏程度，动态地选择不同的容器来存储数据，从而节省空间。

Roaring Bitmap的原理是，将32位整数分为高16位和低16位，高16位作为key，低16位存储在对应的容器中。

容器有三种类型，分别是数组容器（Array Container）、位图容器（Bitmap Container）和游程容器（Run Container），它们分别适合存储稀疏、密集和连续的数据。

Roaring Bitmap可以在保证精确度的同时，大大压缩位图的空间，提高去重的效率。

bitmap的常用方法

bitmap的常用方法

bitmap的常用方法Bitmap是一种常用的图像文件格式，被广泛应用于计算机图形处理和图像表示方面。

本文将介绍Bitmap的常用方法，包括创建Bitmap、读取Bitmap、修改Bitmap、保存Bitmap以及一些Bitmap操作的技巧和注意事项。

一、创建Bitmap在开始使用Bitmap之前，我们需要了解如何创建一个Bitmap对象。

创建Bitmap对象有以下几种常见的方法：1. 通过文件路径创建Bitmap：使用指定的文件路径可以创建一个Bitmap对象，例如：Bitmap bitmap = BitmapFactory.decodeFile("path/to/file.jpg");这里的文件路径可以是本地文件路径或者网络文件路径。

2. 通过资源ID创建Bitmap：使用资源ID可以创建一个Bitmap对象，例如：Bitmap bitmap =BitmapFactory.decodeResource(context.getResources(), R.drawable.image);这里的资源ID可以是应用程序中的图片资源ID。

3. 通过字节数组创建Bitmap：使用字节数组可以创建一个Bitmap对象，例如：Bitmap bitmap = BitmapFactory.decodeByteArray(data, 0, data.length);这里的字节数组可以是图片的二进制数据。

二、读取Bitmap创建了Bitmap对象之后，我们可以通过一些方法读取Bitmap的信息：1. 获取Bitmap的宽度和高度：int width = bitmap.getWidth();int height = bitmap.getHeight();这样我们可以得到Bitmap的尺寸信息。

2. 获取Bitmap的像素颜色：int color = bitmap.getPixel(x, y);这里的x和y是坐标值，表示要获取像素颜色的位置。

大量数据海量数据处理办法

大量数据海量数据处理办法

大数据量的问题是很多面试笔试中经常出现的问题，比如baidu google 腾讯这样的一些涉及到海量数据的公司经常会问到。

下面的方法是我对海量数据的处理方法进行了一个一般性的总结，当然这些方法可能并不能完全覆盖所有的问题，但是这样的一些方法也基本可以处理绝大多数遇到的问题。

下面的一些问题基本直接来源于公司的面试笔试题目，方法不一定最优，如果你有更好的处理方法，欢迎与我讨论。

1.Bloom filter 适用范围：可以用来实现数据字典，进行数据的判重，或者集合求交集基本原理及要点：对于原理来说很简单，位数组+k个独立hash函数。

将hash函数对应的值的位数组置1，查找时如果发现所有hash函数对应位都是1说明存在，很明显这个过程并不保证查找的结果是100%正确的。

同时也不支持删除一个已经插入的关键字，因为该关键字对应的位会牵动到其他的关键字。

所以一个简单的改进就是counting Bloom filter，用一个counter数组代替位数组，就可以支持删除了。

还有一个比较重要的问题，如何根据输入元素个数n，确定位数组m的大小及hash函数个数。

当hash函数个数k=(ln2)*(m/n)时错误率最小。

在错误率不大于E的情况下，m至少要等于n*lg(1/E)才能表示任意n个元素的集合。

但m还应该更大些，因为还要保证bit数组里至少一半为0，则m应该> =nlg(1/E)*lge 大概就是nlg(1/E)1.44倍(lg表示以2为底的对数)。

举个例子我们假设错误率为0.01，则此时m应大概是n的13倍。

这样k大概是8个。

注意这里m与n的单位不同，m是bit为单位，而n则是以元素个数为单位(准确的说是不同元素的个数)。

通常单个元素的长度都是有很多bit的。

所以使用bloom filter内存上通常都是节省的。

扩展：Bloom filter将集合中的元素映射到位数组中，用k（k为哈希函数个数）个映射位是否全1表示元素在不在这个集合中。

海量数据处理方法总结

海量数据处理方法总结

1. 给定a、b两个文件，各存放50亿个url，每个url各占64字节，内存限制是4G，让你找出a、b文件共同的url？方案1：可以估计每个文件安的大小为50G×64=320G，远远大于内存限制的4G。

所以不可能将其完全加载到内存中处理。

考虑采取分而治之的方法。

s 遍历文件a，对每个url求取，然后根据所取得的值将url分别存储到1000个小文件（记为）中。

这样每个小文件的大约为300M。

s 遍历文件b，采取和a相同的方式将url分别存储到1000各小文件（记为）。

这样处理后，所有可能相同的url都在对应的小文件（）中，不对应的小文件不可能有相同的url。

然后我们只要求出1000对小文件中相同的url即可。

s 求每对小文件中相同的url时，可以把其中一个小文件的url存储到hash_set中。

然后遍历另一个小文件的每个url，看其是否在刚才构建的hash_set中，如果是，那么就是共同的url，存到文件里面就可以了。

方案2：如果允许有一定的错误率，可以使用Bloom filter，4G内存大概可以表示340亿bit。

将其中一个文件中的url使用Bloom filter映射为这340亿bit，然后挨个读取另外一个文件的url，检查是否与Bloom filter，如果是，那么该url应该是共同的url（注意会有一定的错误率）。

ps:个人认为方案1中的估计是不是有问题50亿就是5*10的9次方。

小于等于5*2的30次方，即5G，2. 有10个文件，每个文件1G，每个文件的每一行存放的都是用户的query，每个文件的query都可能重复。

要求你按照query的频度排序。

方案1：s 顺序读取10个文件，按照hash(query)%10的结果将query写入到另外10个文件（记为）中。

这样新生成的文件每个的大小大约也1G（假设hash函数是随机的）。

s 找一台内存在2G左右的机器，依次对用hash_map(query, query_count)来统计每个query出现的次数。