返回顶部

收藏

海量数据处理Bit-map解释

更多

什么是Bit-map

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。

如果说了这么多还没明白什么是Bit-map,那么我们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:)

bitmap

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)|(0×01<<(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):

bitmap2

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:

bitmap 3

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。下面的代码给出了一个BitMap的用法:排序。

//定义每个Byte中有8个Bit位 
#include <memory.h>
#include <stdio.h>
#define BYTESIZE 8 
void SetBit(char *p, int posi) 
{ 
    for(int i=0; i < (posi/BYTESIZE); i++) 
    { 
        p++; 
    } 

    *p = *p|(0x01<<(posi%BYTESIZE));//将该Bit位赋值1 
    return; 
} 

void BitMapSortDemo() 
{ 
    //为了简单起见,我们不考虑负数 
    int num[] = {3,5,2,10,6,12,8,14,9}; 

    //BufferLen这个值是根据待排序的数据中最大值确定的 
    //待排序中的最大值是14,因此只需要2个Bytes(16个Bit) 
    //就可以了。 
    const int BufferLen = 2; 
    char *pBuffer = new char[BufferLen]; 

    //要将所有的Bit位置为0,否则结果不可预知。 
    memset(pBuffer,0,BufferLen); 
    for(int i=0;i<9;i++) 
    { 
        //首先将相应Bit位上置为1 
        SetBit(pBuffer,num[i]); 
    } 

    //输出排序结果 
    for(int i=0;i<BufferLen;i++)//每次处理一个字节(Byte) 
    { 
        for(int j=0;j<BYTESIZE;j++)//处理该字节中的每个Bit位 
        { 
            //判断该位上是否是1,进行输出,这里的判断比较笨。 
            //首先得到该第j位的掩码(0x01<<j),将内存区中的 
            //位和此掩码作与操作。最后判断掩码是否和处理后的 
            //结果相同 
            if((*pBuffer&(0x01<<j)) == (0x01<<j)) 
            { 
                printf("%d ",i*BYTESIZE + j); 
            } 
        } 
        pBuffer++; 
    } 
} 

int main()
{ 
    BitMapSortDemo();
    getchar();
    return 0; 
}

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

基本原理及要点

使用bit数组来表示某些元素是否存在,比如8位电话号码

扩展

Bloom filter可以看做是对bit-map的扩展(关于Bloom filter,请参见:海量数据处理之Bloom filter详解)。

问题实例

1)已知某个文件内包含一些电话号码,每个号码为8位数字,统计不同号码的个数。

8位最多99 999 999,大概需要99m个bit,大概10几m字节的内存即可。 (可以理解为从0-99 999 999的数字,每个数字对应一个Bit位,所以只需要99M个Bit==1.2MBytes,这样,就用了小小的1.2M左右的内存表示了所有的8位数的 电话)

2)2.5亿个整数中找出不重复的整数的个数,内存空间不足以容纳这2.5亿个整数。

将bit-map扩展一下,用2bit表示一个数即可,0表示未出现,1表示出现一次,2表示出现2次及以上,在遍历这些数的时候,如果对应位置的值是 0,则将其置为1;如果是1,将其置为2;如果是2,则保持不变。或者我们不用2bit来进行表示,我们用两个bit-map即可模拟实现这个2bit- map,都是一样的道理。

标签:大数据,bitmap

收藏

0人收藏

支持

0

反对

0

发表评论