海量数据处理-bit-地图的使用

海量数据处理--bit-map的使用

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。

(ps:我来觉得上面的这个图是不正确的，说好的是little-end，然后对应的位为1，那么在扫描4的时候是正确的；第二个数是7，那么第三7位置1，好像就不正确了，再扫描第三个数2的时候，好像也是不正确的，第四个数5的时候是正确的，第五个数3也是正确的，我还不知道是自己理解错误还是网上所有的版本都是错误的！！，我发现是我的错误，因为这里认为是big-ending,而不是little-end,也就是说在进行置位的时候是从左边开始的，而且第一位是第0位，最右边的一位是第7位

     但是：：：：在下面使用大数据实例的时候，好像是little-end模式的)

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。    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

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。

这里先弄一个bitmap的使用例子：（这个例子是关于排序的例子）

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，分三步： 
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. 
找到对应0-31的数为M, 左移M位：即2^M. 然后置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：
                                                                                              
0=    1     1    00       0000   0000   0000   0000    0000     0000   1     1   1  0
                          56                 50                                                33
                                                                                              
1=  0000     0001    0000   0100   0000    0000     0000    0010
                                                                               199
                                                                               
6=  0000  0000    0000   0000   0000    0000    1000    0000


【问题实例】
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。
实现：
// TestWin32.cpp : Defines the entry point for the console application.  #include "stdafx.h"  
  #include<memory.h>    
  //用char数组存储2-Bitmap,不用考虑大小端内存的问题    
unsigned char flags[1000]; //数组大小自定义     unsigned get_val(int idx)  {   
//  |    8 bit  |  //  |00 00 00 00|  //映射3 2 1 0  
//  |00 00 00 00|  //表示7 6 5 4  //  ……  
//  |00 00 00 00|    
    int i = idx/4;  //一个char 表示4个数，      int j = idx%4;    
    unsigned ret = (flags[i]&(0x3<<(2*j)))>>(2*j);        //0x3是0011 j的范围为0-3，因此0x3<<(2*j)范围为00000011到11000000 如idx=7 i=1 ,j=3 那么flags[1]&11000000, 得到的是|00 00 00 00|  
    //表示7 6 5 4     return ret;    
}            
unsigned set_val(int idx, unsigned int val)  {        int i = idx/4;    
    int j = idx%4;        unsigned tmp = (flags[i]&~((0x3<<(2*j))&0xff)) | (((val%4)<<(2*j))&0xff);    
    flags[i] = tmp;        return 0;    
}    unsigned add_one(int idx)    
{        if (get_val(idx)>=2) {  //这一位置上已经出现过了？？  
        return 1;        }  else  {    
        set_val(idx, get_val(idx)+1);            return 0;    
    }    }    
        //只测试非负数的情况;    
//假如考虑负数的话,需增加一个2-Bitmap数组.    int a[]={1, 3, 5, 7, 9, 1, 3, 5, 7, 1, 3, 5,1, 3, 1,10,2,4,6,8,0};    
        int main()   {    
    int i;        memset(flags, 0, sizeof(flags));    
                printf("原数组为:");    
    for(i=0;i < sizeof(a)/sizeof(int); ++i)  {            printf("%d  ", a[i]);    
        add_one(a[i]);        }    
    printf("\r\n");            
    printf("只出现过一次的数:");        for(i=0;i < 100; ++i)  {    
        if(get_val(i) == 1)                printf("%d  ", i);    
        }        printf("\r\n");    
          return 0;    
}