bitmap处理海量数据

 【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. #define BYTESIZE 8  
4. void SetBit(char *p, int posi)   
5. {   
6.     for(int i=0; i ＜ (posi/BYTESIZE); i++)   
7.     {   
8.         p++;   
9.     }   
10.     
11.     *p = *p|(0x01＜＜(posi%BYTESIZE));//将该Bit位赋值1  
12.     return;   
13. }   
14.     
15. void BitMapSortDemo()   
16. {   
17.     //为了简单起见，我们不考虑负数  
18.     int num[] = {3,5,2,10,6,12,8,14,9};   
19.     
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.     const int BufferLen = 2;   
24.     char *pBuffer = new char[BufferLen];   
25.     
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(int i=0;i＜9;i++)   
29.     {   
30.         //首先将相应Bit位上置为1  
31.         SetBit(pBuffer,num[i]);   
32.     }   
33.     
34.     //输出排序结果   
35.     for(int i=0;i＜BufferLen;i++)//每次处理一个字节(Byte)  
36.     {   
37.         for(int j=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. }   
51.     
52. int _tmain(int argc, _TCHAR* argv[])   
53. {   
54.     BitMapSortDemo();   
55.     return 0;   
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  
2.   
3. /* 
4.  *bitmap的c语言实现 
5.  *作者：
6.  *时间：
7.  */  
8. #ifndef _BITMAP_H_  
9. #define _BITMAP_H_  
10.   
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. int bitmap_init(int size, int start);  
19.   
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. int bitmap_set(int index);  
26.   
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. int bitmap_get(int i);  
33.   
34. /* 
35.  *功能：返回index位对应的值 
36.  */  
37. int bitmap_data(int index);  
38.   
39. /*释放内存*/  
40. int bitmap_free();  
41.   
42. #endif  
43.    
44. bitmap.c  
45.   
46. #include <stdio.h>  
47. #include <stdlib.h>  
48. #include <string.h>  
49. #include "bitmap.h"  
50.   
51. unsigned char *g_bitmap = NULL;  
52. int g_size = 0;  
53. int g_base = 0;  
54.   
55. int bitmap_init(int size, int start)  
56. {  
57.     g_bitmap = (char *)malloc((size/8+1)*sizeof(char));  
58.     if(g_bitmap == NULL)  
59.         return 0;  
60.     g_base = start;  
61.     g_size = size/8+1;  
62.     memset(g_bitmap, 0x0, g_size);  
63.     return 1;  
64. }  
65.   
66. int bitmap_set(int index)  
67. {  
68.     int quo = (index-g_base)/8 ;  
69.     int remainder = (index-g_base)%8;  
70.     unsigned char x = (0x1<<remainder);  
71.     if( quo > g_size)  
72.         return 0;  
73.     g_bitmap[quo] |= x;  
74.     return 1;   
75. }  
76.   
77. int bitmap_get(int i)  
78. {  
79.     int quo = (i)/8 ;  
80.     int remainder = (i)%8;  
81.     unsigned char x = (0x1<<remainder);  
82.     unsigned char res;  
83.     if( quo > g_size)  
84.         return -1;  
85.     res = g_bitmap[quo] & x;  
86.     return res > 0 ? 1 : 0;   
87. }  
88.   
89. int bitmap_data(int index)  
90. {  
91.     return (index + g_base);  
92. }  
93.   
94. int bitmap_free()  
95. {  
96.     free(g_bitmap);  
97. }  
98.    
99. 测试程序bitmap_test.c：  
100.   
101. #include <stdio.h>  
102. #include "bitmap.h"  
103.   
104. int main()  
105. {  
106.     int a[] = {5,8,7,6,3,1,10,78,56,34,23,12,43,54,65,76,87,98,89,100};  
107.     int i;  
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.     return 0;  
119. }