海量数据处理——位图法bitmap

一、定义

       位图法就是bitmap的缩写。所谓bitmap，就是用每一位来存放某种状态，适用于大规模数据，但数据状态又不是很多的情况。通常是用来判断某个数据存不存在的。在STL中有一个bitset容器，其实就是位图法，引用bitset介绍：

A bitset is a special container class that is designed to store bits (elements with only two possible values: 0 or 1,true or false, ...).The class is very similar to a regular array, but optimizing for space allocation: each element occupies only one bit (which is eight times less than the smallest elemental type in C++: char).Each element (each bit) can be accessed individually: for example, for a given bitset named mybitset, the expression mybitset[3] accesses its fourth bit, just like a regular array accesses its elements.

二、数据结构

unsigned int bit[N];

在这个数组里面，可以存储 N * sizeof(int) * 8个数据，但是最大的数只能是N * sizeof(int)  * 8 - 1。假如，我们要存储的数据范围为0-15，则我们只需要使得N=1，这样就可以把数据存进去。如下图：

数据为【5，1，7，15，0，4，6，10】，则存入这个结构中的情况为

三、相关操作

1，写入数据

定义一个数组： unsigned char bit[8 * 1024];这样做，能存 8K*8=64K 个 unsigned short 数据。bit 存放的字节位置和位位置（字节 0~8191 ，位 0~7 ）

比如写 1234 ，字节序： 1234/8 = 154; 位序： 1234 &0b111 = 2 ，那么 1234 放在 bit 的下标 154 字节处，把该字节的 2 号位（ 0~7）置为 1

字节位置： int nBytePos =1234/8 = 154;

位位置：   int nBitPos = 1234 & 7 = 2;

[cpp] view plain copy

1. <span style="color:#330033;">// 把数组的 154 字节的 2 位置为 1    
2. unsigned short val = 1<<nBitPos;    
3.   
4. bit[nBytePos] = bit[nBytePos] |val;  // 写入 1234 得到arrBit[154]=0b00000100  </span>  

再比如写入 1236 ，

字节位置： int nBytePos =1236/8 = 154;

位位置：   int nBitPos = 1236 & 7 = 4

[cpp] view plain copy

1. <span style="color:#330033;">// / 把数组的 154 字节的 4 位置为 1    
2. val = 1<<nBitPos;   
3.    
4. arrBit[nBytePos] = arrBit[nBytePos] |val;  // 再写入 1236 得到arrBit[154]=0b00010100  </span>  

函数实现：

[cpp] view plain copy

1. <span style="color:#330033;">#define SHIFT 5      
2. #define MAXLINE 32      
3. #define MASK 0x1F      
4. void setbit(int *bitmap, int i){      
5.     bitmap[i >> SHIFT] |= (1 << (i & MASK));      
6. }  </span>  

2，读指定位

[cpp] view plain copy

1. <span style="color:#330033;">bool getbit(int *bitmap1, int i){      
2.     return bitmap1[i >> SHIFT] & (1 << (i & MASK));      
3. }   </span>  

四、位图法的缺点

1. 可读性差
2. 位图存储的元素个数虽然比一般做法多，但是存储的元素大小受限于存储空间的大小。位图存储性质：存储的元素个数等于元素的最大值。比如， 1K 字节内存，能存储 8K 个值大小上限为 8K 的元素。（元素值上限为 8K ，这个局限性很大！）比如，要存储值为 65535 的数，就必须要 65535/8=8K 字节的内存。要就导致了位图法根本不适合存 unsigned int 类型的数（大约需要 2^32/8=5 亿字节的内存）。
3. 位图对有符号类型数据的存储，需要 2 位来表示一个有符号元素。这会让位图能存储的元素个数，元素值大小上限减半。 比如 8K 字节内存空间存储 short 类型数据只能存 8K*4=32K 个，元素值大小范围为 -32K~32K 。

五、位图法的应用

  1、给40亿个不重复的unsigned int的整数，没排过序的，然后再给一个数，如何快速判断这个数是否在那40亿个数当中
　　首先，将这40亿个数字存储到bitmap中，然后对于给出的数，判断是否在bitmap中即可。
2、使用位图法判断整形数组是否存在重复
      遍历数组，一个一个放入bitmap，并且检查其是否在bitmap中出现过，如果没出现放入，否则即为重复的元素。
       3、使用位图法进行整形数组排序
      首先遍历数组，得到数组的最大最小值，然后根据这个最大最小值来缩小bitmap的范围。这里需要注意对于int的负数，都要转化为unsigned int来处理，而且取位的时候，数字要减去最小值。
       4、在2.5亿个整数中找出不重复的整数，注，内存不足以容纳这2.5亿个整数
      参 考的一个方法是：采用2-Bitmap（每个数分配2bit，00表示不存在，01表示出现一次，10表示多次，11无意义）。其实，这里可以使用两个普 通的Bitmap，即第一个Bitmap存储的是整数是否出现，如果再次出现，则在第二个Bitmap中设置即可。这样的话，就可以使用简单的1- Bitmap了。

求解问题如下：

在本地磁盘里面有file1和file2两个文件，每一个文件包含500万条随机整数（可以重复），最大不超过2147483648也就是一个int表示范围。要求写程序将两个文件中都含有的整数输出到一个新文件中。

要求：
1.程序的运行时间不超过5秒钟。
2.没有内存泄漏。
3.代码规范，能要考虑到出错情况。

4.代码具有高度可重用性及可扩展性，以后将要在该作业基础上更改需求。

初一看，觉得很简单，不就是求两个文件的并集嘛，于是很快写出了下面的代码。

[cpp] view plain copy

1. <span style="color:#330033;">#include<iostream>    
2. #include<vector>    
3. #include<cstdlib>    
4. #include<algorithm>    
5. #include<fstream>    
6.     
7. using namespace std;    
8.     
9. void merge(const vector<int> &, const vector<int>&, vector<int> &);    
10.     
11. int main(){    
12.     vector<int> v1, v2;    
13.     vector<int> result;    
14.     char buf[512];    
15.     FILE *fp;    
16.     fp = fopen("file1", "r");    
17.         
18.     if(fp < 0){    
19.         cout<<"Open file failed!\n";    
20.         exit(1);    
21.     }    
22.     
23.     while(fgets(buf, 512, fp) != NULL){    
24.         v1.push_back(atoi(buf));    
25.     }    
26.     sort(v1.begin(), v1.end());    
27.     fclose(fp);    
28.     
29.     
30.     fp = fopen("file2", "r");    
31.     if(fp < 0){    
32.         cout<<"Open file2 failed!\n";    
33.         exit(1);    
34.     }    
35.     
36.     while(fgets(buf, 512, fp) != NULL){    
37.         v2.push_back(atoi(buf));    
38.     }    
39.     sort(v2.begin(), v2.end());    
40.     cout<<v1[v1.size() - 1]<<endl;    
41.     cout<<v2[v2.size() - 1]<<endl;    
42.     fclose(fp);    
43.     merge(v1, v2, result);    
44.     cout<<result.size();    
45.         
46.     ofstream output;    
47.     output.open("result");    
48.     if(output.fail()){    
49.         cerr<<"crete file failed!\n";    
50.         exit(1);    
51.     }    
52.         
53.     vector<int>::const_iterator p = result.begin();    
54.     for(; p != result.end(); p++){    
55.         output<<*p<<endl;    
56.     }    
57.     output.close();    
58.     return 0;    
59. }    
60.     
61. void merge(const vector<int>& v1, const vector<int>& v2, vector<int> &result){    
62.     vector<int>::const_iterator p1, p2;    
63.     p1 = v1.begin();    
64.     p2 = v2.begin();    
65.         
66.     while((p1 != v1.end()) && p2 != v2.end()){    
67.         if(*p1 < *p2){    
68.             p1++;    
69.         }else if(*p1 > *p2){    
70.             p2++;    
71.         }else{    
72.             result.push_back(*p1);    
73.             p1++;    
74.             p2++;    
75.         }    
76.     }    
77.     
78. }  </span>  

编译运行。

一看，不行，不满足上面的5秒之内，于是又想了很久，上面不是显示sys调用花了很长时间嘛，于是有写了一个程序，用快速排序+二分查找法实现，代码如下：

[cpp] view plain copy

1. <span style="color:#330033;">#include <iostream>    
2. #include <fstream>    
3. #include <vector>    
4. #include <cstdlib>    
5. #include <cstdio>    
6.     
7. #define MAXLINE 32    
8.     
9. using namespace std;    
10.     
11. void qsort(vector<int>&, int, int);    
12. int partition(vector<int>&, int, int);    
13. bool binarySearch(const vector<int>&, int);    
14.     
15. int main(){    
16.     vector<int> v1, result;    
17.     int temp;    
18.     char buf[MAXLINE];    
19.     FILE *fd;    
20.     
21.     fd = fopen("file1", "r");    
22.     if(fd == NULL){    
23.         cerr<<"Open file1 failed!\n";    
24.         exit(1);    
25.     }    
26.     while(fgets(buf, MAXLINE, fd) != NULL){    
27.         v1.push_back(atoi(buf));    
28.     }    
29.         
30.     fclose(fd);    
31.     //cout<<v1.size()<<endl;    
32.     qsort(v1, 0, v1.size() - 1);    
33.         
34.     /*vector<int>::const_iterator p = v1.begin();  
35.     for(; p != v1.end(); p++){  
36.         cout<<*p<<endl;  
37.         sleep(1);  
38.     }*/    
39.     
40.     fd = fopen("file2", "r");    
41.     if(fd == NULL){    
42.         cerr<<"open file2 failed!\n";    
43.         exit(1);    
44.     }    
45.     
46.     while(fgets(buf, MAXLINE, fd) != NULL){    
47.         temp = atoi(buf);    
48.         if(binarySearch(v1, temp)){    
49.             result.push_back(temp);    
50.         }    
51.     }    
52.     cout<<result.size();    
53.     
54.     return 0;    
55. }    
56.     
57. void qsort(vector<int> &v, int low, int hight){    
58.     if(low < hight){    
59.         int mid = partition(v, low, hight);    
60.         qsort(v, low, mid - 1);    
61.         qsort(v, mid + 1, hight);    
62.     }    
63. }    
64.     
65. int  partition(vector<int> &v, int min, int max){    
66.     int temp = v[min];    
67.     while(min < max){    
68.         while(min < max && v[max] >= temp)    
69.             max--;    
70.         v[min] = v[max];    
71.         while(min < max && v[min] <= temp)    
72.             min++;    
73.         v[max] = v[min];    
74.     }    
75.     
76.     v[min] = temp;    
77.     return min;    
78. }    
79.     
80. bool binarySearch(const vector<int> &v, int key){    
81.     int low, hight, mid;    
82.     low = 0;     
83.     hight = v.size() - 1;    
84.         
85.     while(low <= hight){    
86.         mid = (low + hight) /2;    
87.         if(v[mid] == key){    
88.             return true;    
89.         }else if(v[mid] < key){    
90.             low = mid + 1;    
91.         }else{    
92.             hight = mid - 1;    
93.         }    
94.     }    
95.     
96.     return false;    
97. }  </span>  

正乐着呢，编译运行：

结果发现，user时间是2.194秒，整个时间还要比以前长，显然这种方法还是不行，原因就是两个文件太大了，500万条，不是一般小，且上面花的时间主要用在排序上面去了，于是就想，能不能不用排序完成？这时有个朋友和我说了一下位图法，灵感一来，自己又去改写了代码：

[cpp] view plain copy

1. <span style="color:#330033;">#include <iostream>    
2. #include <cstdlib>    
3. #include <cstdio>    
4. #include <cstring>    
5. #include <fstream>    
6. #include <string>    
7. #include <vector>    
8. #include <algorithm>    
9. #include <iterator>    
10.     
11. #define SHIFT 5    
12. #define MAXLINE 32    
13. #define MASK 0x1F    
14.     
15. using namespace std;    
16.     
17. void setbit(int *bitmap, int i){    
18.     bitmap[i >> SHIFT] |= (1 << (i & MASK));    
19. }    
20.     
21. bool getbit(int *bitmap1, int i){    
22.     return bitmap1[i >> SHIFT] & (1 << (i & MASK));    
23. }    
24.     
25. size_t getFileSize(ifstream &in, size_t &size){    
26.     in.seekg(0, ios::end);    
27.     size = in.tellg();    
28.     in.seekg(0, ios::beg);    
29.     return size;    
30. }    
31.     
32. char * fillBuf(const char *filename){    
33.     size_t size = 0;    
34.     ifstream in(filename);    
35.     if(in.fail()){    
36.         cerr<< "open " << filename << " failed!" << endl;    
37.         exit(1);    
38.     }    
39.     getFileSize(in, size);      
40.         
41.     char *buf = (char *)malloc(sizeof(char) * size + 1);    
42.     if(buf == NULL){    
43.         cerr << "malloc buf error!" << endl;    
44.         exit(1);    
45.     }    
46.         
47.     in.read(buf, size);    
48.     in.close();    
49.     buf[size] = '\0';    
50.     return buf;    
51. }    
52. void setBitMask(const char *filename, int *bit){    
53.     char *buf, *temp;    
54.     temp = buf = fillBuf(filename);    
55.     char *p = new char[11];    
56.     int len = 0;    
57.     while(*temp){    
58.         if(*temp == '\n'){    
59.             p[len] = '\0';    
60.             len = 0;    
61.             //cout<<p<<endl;    
62.             setbit(bit, atoi(p));    
63.         }else{    
64.             p[len++] = *temp;    
65.         }    
66.         temp++;    
67.     }    
68.     delete buf;    
69. }    
70.     
71. void compareBit(const char *filename, int *bit, vector<int> &result){    
72.     char *buf, *temp;    
73.     temp = buf = fillBuf(filename);    
74.     char *p = new char[11];    
75.     int len = 0;    
76.     while(*temp){    
77.         if(*temp == '\n'){    
78.             p[len] = '\0';    
79.             len = 0;    
80.             if(getbit(bit, atoi(p))){    
81.                 result.push_back(atoi(p));    
82.             }    
83.         }else{    
84.             p[len++] = *temp;    
85.         }    
86.         temp++;    
87.     }    
88.     delete buf;    
89. }    
90.     
91. int main(){    
92.     vector<int> result;    
93.     unsigned int MAX = (unsigned int)(1 << 31);    
94.     unsigned int size = MAX >> 5;    
95.     int *bit1;    
96.     
97.     bit1 = (int *)malloc(sizeof(int) * (size + 1));    
98.     if(bit1 == NULL){    
99.         cerr<<"Malloc bit1 error!"<<endl;    
100.         exit(1);    
101.     }    
102.     
103.     memset(bit1, 0, size + 1);    
104.     setBitMask("file1", bit1);    
105.     compareBit("file2", bit1, result);    
106.     delete bit1;    
107.         
108.     cout<<result.size();    
109.     sort(result.begin(), result.end());    
110.     vector< int >::iterator   it = unique(result.begin(), result.end());    
111.     
112.     ofstream    of("result");    
113.     ostream_iterator<int> output(of, "\n");    
114.     copy(result.begin(), it, output);    
115.         
116.     return 0;    
117. }  </span>  

这是利用位图法实现的程序，编译运行

运行时间明显比前两个少，但是这个程序是以空间换取时间，程序运行的时候分配了几百兆的空间。可见在程序设计中，方法很重要。什么情况选用什么方法。但是还是觉得前面两个方法还行，因为需要的空间比较少。