bitmap处理海量数据及其实现

【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：)


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。下面的代码给出了一个BitMap的用法：排序。

1. //定义每个Byte中有8个Bit位
2. #include＜memory.h＞
3. #defineBYTESIZE8
4. voidSetBit(char*p,intposi)
5. {
6. for(inti=0;i＜(posi/BYTESIZE);i++)
7. {
8. p++;
9. }
11. *p=*p|(0x01＜＜(posi%BYTESIZE));//将该Bit位赋值1
12. return;
13. }
15. voidBitMapSortDemo()
16. {
17. //为了简单起见，我们不考虑负数
18. intnum[]={3,5,2,10,6,12,8,14,9};
20. //BufferLen这个值是根据待排序的数据中最大值确定的
21. //待排序中的最大值是14，因此只需要2个Bytes(16个Bit)
22. //就可以了。
23. constintBufferLen=2;
24. char*pBuffer=newchar[BufferLen];
26. //要将所有的Bit位置为0，否则结果不可预知。
27. memset(pBuffer,0,BufferLen);
28. for(inti=0;i＜9;i++)
29. {
30. //首先将相应Bit位上置为1
31. SetBit(pBuffer,num[i]);
32. }
34. //输出排序结果
35. for(inti=0;i＜BufferLen;i++)//每次处理一个字节(Byte)
36. {
37. for(intj=0;j＜BYTESIZE;j++)//处理该字节中的每个Bit位
38. {
39. //判断该位上是否是1，进行输出，这里的判断比较笨。
40. //首先得到该第j位的掩码（0x01＜＜j），将内存区中的
41. //位和此掩码作与操作。最后判断掩码是否和处理后的
42. //结果相同
43. if((*pBuffer&(0x01＜＜j))==(0x01＜＜j))
44. {
45. printf("%d",i*BYTESIZE+j);
46. }
47. }
48. pBuffer++;
49. }
50. }
52. int_tmain(intargc,_TCHAR*argv[])
53. {
54. BitMapSortDemo();
55. return0;
56. }

【适用范围】

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

【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。

bitmap的C语言实现

1. bitmap.h
3. /*
4. *bitmap的c语言实现
5. *作者：
6. *时间：
7. */
8. #ifndef_BITMAP_H_
9. #define_BITMAP_H_
11. /*
12. *功能：初始化bitmap
13. *参数：
14. *size：bitmap的大小，即bit位的个数
15. *start：起始值
16. *返回值：0表示失败，1表示成功
17. */
18. intbitmap_init(intsize,intstart);
20. /*
21. *功能：将值index的对应位设为1
22. *index:要设的值
23. *返回值：0表示失败，1表示成功
24. */
25. intbitmap_set(intindex);
27. /*
28. *功能：取bitmap第i位的值
29. *i：待取位
30. *返回值：-1表示失败，否则返回对应位的值
31. */
32. intbitmap_get(inti);
34. /*
35. *功能：返回index位对应的值
36. */
37. intbitmap_data(intindex);
39. /*释放内存*/
40. intbitmap_free();
42. #endif
44. bitmap.c
46. #include<stdio.h>
47. #include<stdlib.h>
48. #include<string.h>
49. #include"bitmap.h"
51. unsignedchar*g_bitmap=NULL;
52. intg_size=0;
53. intg_base=0;
55. intbitmap_init(intsize,intstart)
56. {
57. g_bitmap=(char*)malloc((size/8+1)*sizeof(char));
58. if(g_bitmap==NULL)
59. return0;
60. g_base=start;
61. g_size=size/8+1;
62. memset(g_bitmap,0x0,g_size);
63. return1;
64. }
66. intbitmap_set(intindex)
67. {
68. intquo=(index-g_base)/8;
69. intremainder=(index-g_base)%8;
70. unsignedcharx=(0x1<<remainder);
71. if(quo>g_size)
72. return0;
73. g_bitmap[quo]|=x;
74. return1;
75. }
77. intbitmap_get(inti)
78. {
79. intquo=(i)/8;
80. intremainder=(i)%8;
81. unsignedcharx=(0x1<<remainder);
82. unsignedcharres;
83. if(quo>g_size)
84. return-1;
85. res=g_bitmap[quo]&x;
86. returnres>0?1:0;
87. }
89. intbitmap_data(intindex)
90. {
91. return(index+g_base);
92. }
94. intbitmap_free()
95. {
96. free(g_bitmap);
97. }
99. 测试程序bitmap_test.c：
101. #include<stdio.h>
102. #include"bitmap.h"
104. intmain()
105. {
106. inta[]={5,8,7,6,3,1,10,78,56,34,23,12,43,54,65,76,87,98,89,100};
107. inti;
108. bitmap_init(100,0);
109. for(i=0;i<20;i++)
110. bitmap_set(a[i]);
111. for(i=0;i<100;i++)
112. {
113. if(bitmap_get(i)>0)
114. printf("%d",bitmap_data(i));
115. }
116. printf("/n");
117. bitmap_free();
118. return0;
119. }