Bitmap 多语言实现及应用

http://blog.studygolang.com/2014/09/bitmap_multi_language/

工作中碰到这样一个问题：


有一个文本文件，有上亿行数据，每行数据是 unsigned int。现在需要将其中可能重复的数只保留一个，同时和另外一个或多个这样的文件进行排重（即和它们做差集）。要求尽可能快的筛选出来。


开始实现比较简单粗暴，将数据直接通过 LOAD DATA INFILE 导入 MySQL 表中，然后多表之间做 LEFT JOIN。数据不是特别大，比如几千万，且就要排重的文件不多时，比如一个，速度还可以接受。然而，当数据上亿，且有多个文件需要排重时，性能急剧下降，必须进行优化。而这，正是 Bitmap 的应用场景。


1、Bitmap 概念
Bitmap 是一个十分有用的数据结构。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，因此在内存占用方面，可以大大节省。（《编程珠玑》第一章引入的问题，提到了 Bitmap）


2、Bitmap 的实现原理
以一个简单的数组排序来说明 Bitmap 的实现原理：array[4,6,3,1,7]


Bitmap 采用的是以空间换时间的思想，数组中最大元素值为7，所以在内存中开辟8位的存储空间，存储空间大小的确定方法是（元素最大值进位到8的倍数/8），之所以除以8，是因为开辟空间的时候以byte为单位，1byte=8bit。


开辟8位的空间后，每位初始化为0，如下表：


0号位 1号位 2号位 3号位 4号位 5号位 6号位 7号位
0 0 00 0 0 0 0
开始遍历 array 数组，array[0]=4 时，则将 4号位 置1，变为下表：


0号位 1号位 2号位 3号位 4号位 5号位 6号位 7号位
0 0 00 1 0 0 0
array[1]=6 时，则将 6号位 置1，变为下表：


0号位 1号位 2号位 3号位 4号位 5号位 6号位 7号位
0 0 00 1 0 1 0
直至遍历完 array 数组，空间各位如下表：


0号位 1号位 2号位 3号位 4号位 5号位 6号位 7号位
0 1 01 1 0 1 1
最后，从头开始遍历空间中各位，为1的输出其 位号，得：1,3,4,6,7，其效率为O(n)=8


3、Bitmap 编码实现
一般的，静态语言比较容易实现 Bitmap。在下面的实现中，Bitmap 数据结构可以直接定义为 byte 数组，然而，出于使用的方面原因，这里 Bitmap 的实现额外保存了一些其他信息，因此 Go 和 C 中，使用 struct 定义 Bitmap。


从上面的排序例子知道，实现的关键是 置位 和 清位。


3.1 Go 语言实现
Bitmap 数据结构定义如下：


1
type Bitmap struct {
2
    // 保存实际的 bit 数据
3
    data []byte
4
    // 指示该 Bitmap 的 bit 容量
5
    bitsize uint64
6
    // 该 Bitmap 被设置为 1 的最大位置（方便遍历）
7
    maxpos uint64
8
}
置位 和 清位 方法：


1
// SetBit 将 offset 位置的 bit 置为 value (0/1)
2
func (this *Bitmap) SetBit(offset uint64, value uint8) bool {
3
     index, pos := offset/8, offset%8
4
 
5
     if this.bitsize < offset {
6
          return false
7
     }
8
 
9
     if value == 0 {
10
          // &^ 清位
11
          this.data[index] &^= 0x01 << pos
12
     } else {
13
          this.data[index] |= 0x01 << pos
14
 
15
          // 记录曾经设置为 1 的最大位置
16
          if this.maxpos < offset {
17
               this.maxpos = offset
18
          }
19
     }
20
 
21
     return true
22
}
完整实现代码：Github Bitmap Golang


3.2 C 语言实现
Bitmap 数据结构定义如下：


1
typedef struct {
2
     uint64_t bitsize;
3
     uint64_t maxpos;
4
 
5
     /* 不定长，必须是结构的最后一个成员 */
6
     uint8_t data[];
7
} Bitmap;
置位 和 清位 方法：


1
bool set_bit(Bitmap* bitmap, uint64_t offset, uint8_t value)
2
{
3
     uint64_t index, pos;
4
 
5
     index = offset / 8;
6
     pos = offset % 8;
7
 
8
     if (bitmap->bitsize < offset) {
9
          return false;
10
     }
11
 
12
     if (value) {
13
          bitmap->data[index] |= 1 << pos;
14
 
15
          if (bitmap->maxpos < offset) {
16
               bitmap->maxpos = offset;
17
          }
18
     } else {
19
          bitmap->data[index] &= BITMAP_MASK ^ (1 << pos);
20
     }
21
 
22
     return true;
23
}
相比和 Go 语言版的不同点是，C 没有直接的 清位 操作符


完整实现代码：Github Bitmap C


3.3 Java 语言实现
Bitmap 采用类实现，定义如下成员变量


1
private byte[] data;
2
 
3
private long bitsize;
4
private long maxpos;
置位 和 清位 方法：


1
public boolean setBit(long offset, int value) {
2
     if (this.bitsize < offset) {
3
          return false;
4
     }
5
 
6
     int index = (int) offset / 8;
7
     int pos = (int) offset % 8;
8
 
9
     if (value == 1) {
10
          this.data[index] |= 1 << pos;
11
          if (this.maxpos < offset) {
12
               this.maxpos = offset;
13
          }
14
     } else {
15
          this.data[index] &= Bitmap.BITMAP_MASK ^ (1 << pos);
16
     }
17
 
18
     return true;
19
}
跟 C 语言一样， Java 也没有直接提供 清位 操作符。


完整实现代码：Github Bitmap Java


3.4 三种语言实现的不同点
通过对比三种语言的实现，可以看出一些不同点：


1）数据类型的支持：Go 和 C 可以实现 uint8/uint64，而 Java 不区分是否有符号（Java 8 提供了无符号数）；
2）清位操作：Go 提供了清位操作符；而 C 和 Java 需要自己实现，关键点是 0×01 和 MASK 做异或操作；


4、Bitmap 具体实现的关键点
从上面三种语言的具体实现可以看出，Bitmap 实现的关键有如下几点：


1）使用 byte 数组保存数据，这样可以极大的节省内存空间；
2）某个元素（也就是某个位置）要置为0或1，通过对 8 (1byte=8bit) 做除法和取余来实现；
3）具体的置位或清位，使用位操作实现：没有直接提供操作符的，可以通过多种操作符组合实现；


5、Bitmap 更多应用
一般地涉及到无重复、int 类型的问题，可以考虑 Bitmap 是否能够实现。


1）文章开头提到的排重实现（代码见 github 的taskdiff）


2）《编程珠玑》第一章的问题，可以参考《编程珠玑–位图法排序》


3）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==12.5MBytes，这样，就用了小小的12M左右的内存表示了所有的8位数的 电话）


4）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。


6、题外话
用三种语言实现的Bitmap进行排重处理，C 和 Java 版本速度差不多，1.5 亿数据60秒内处理完；而 Go 版本需要 1分50秒 左右（主要 bufio 包性能不太理想）；内存占用方面，C 最少，Go 次之，Java 最多。