位图的应用

Posted 小倪同学 -_-

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了位图的应用相关的知识,希望对你有一定的参考价值。

文章目录

位图

思考如下面试题

给40亿个不重复的无符号整数,没排过序。给一个无符号整数,如何快速判断一个数是否在这40亿个数中。

我们可能会想到遍历或排序+二分查找

那我们想一下40亿个无符号整数占据多大空间呢?

1G=1024MB=10241024KB=10241024*1024Byte
1G大约为10亿字节,40亿个无符号整数需要160亿个字节大概16G的空间

有没有什么办法能减小所用到的空间呢,这里就要用到位图了

位图概念

数据是否在给定的整形数据中,结果是在或者不在,刚好是两种状态,那么可以使用一个二进制比特位来代表数据是否存在的信息,如果二进制比特位为1,代表存在,为0代表不存在。如图

位图的实现

我们可以根据位图一个比特位存放一个数据的特点来模拟实现。

template<size_t N>
class bitset

public:
	bitset()
	
		_bits.resize(N / 8 + 1, 0);
	

	bool test(size_t x)
	
		// 计算出他是第i个char对象中
		size_t i = x / 8;
		// 计算出他在这个char的第j个比特位上
		size_t j = x % 8;

		return ((_bits[i] & (1 << j)) == 0) ? false : true;
	

	// 把x映射的比特位设置成1
	void set(size_t x)
	
		// 计算出他是第i个char对象中
		size_t i = x / 8;
		// 计算出他在这个char的第j个比特位上
		size_t j = x % 8;

		_bits[i] |= (1 << j);
	

	void reset(size_t x)
	
		// 计算出他是第i个char对象中
		size_t i = x / 8;
		// 计算出他在这个char的第j个比特位上
		size_t j = x % 8;

		_bits[i] &= (~(1 << j));
	
private:
	vector<char> _bits;
;

布隆过滤器

我们在使用新闻客户端看新闻时,它会给我们不停地推荐新的内容,它每次推荐时要去重,去掉那些已经看过的内容。问题来了,新闻客户端推荐系统如何实现推送去重的? 用服务器记录了用户看过的所有历史记录,当推荐系统推荐新闻时会从每个用户的历史记录里进行筛选,过滤掉那些已经存在的记录。 如何快速查找呢?

  1. 用哈希表存储用户记录,缺点:浪费空间
  2. 用位图存储用户记录,缺点:不能处理哈希冲突
  3. 将哈希与位图结合,即布隆过滤器

布隆过滤器概念

布隆过滤器是由布隆(Burton Howard Bloom)在1970年提出的 一种紧凑型的、比较巧妙的概率型数据结构,特点是高效地插入和查询,可以用来告诉你 “某样东西一定不存在或者可能存在”,它是用多个哈希函数,将一个数据映射到位图结构中。此种方式不仅可以提升查询效率,也可以节省大量的内存空间。

布隆过滤器的实现

布隆过滤器就是用不同的哈希函数,将一个数据映射到位图结构中。

namespace nzb

	template<size_t N>
	class bitset
	
	public:
		bitset()
		
			_bits.resize(N / 8 + 1, 0);
		
	
		bool test(size_t x)
		
			// 计算出他是第i个char对象中
			size_t i = x / 8;
			// 计算出他在这个char的第j个比特位上
			size_t j = x % 8;
	
			return ((_bits[i] & (1 << j)) == 0) ? false : true;
		
	
		// 把x映射的比特位设置成1
		void set(size_t x)
		
			// 计算出他是第i个char对象中
			size_t i = x / 8;
			// 计算出他在这个char的第j个比特位上
			size_t j = x % 8;
	
			_bits[i] |= (1 << j);
		
	
		void reset(size_t x)
		
			// 计算出他是第i个char对象中
			size_t i = x / 8;
			// 计算出他在这个char的第j个比特位上
			size_t j = x % 8;
	
			_bits[i] &= (~(1 << j));
		
	private:
		vector<char> _bits;
	;
	struct HashStr1
	
		size_t operator()(const string& s)
		
			size_t hash = 0;
			// BKDR
			for (size_t i = 0; i < s.size(); ++i)
			
				hash *= 131;
				hash += s[i];
			

			return hash;
		
	;

	struct HashStr2
	
		size_t operator()(const string& s)
		
			size_t hash = 0;
			// SDBMHash
			for (size_t i = 0; i < s.size(); ++i)
			
				hash *= 65599;
				hash += s[i];
			

			return hash;
		
	;

	struct HashStr3
	
		size_t operator()(const string& s)
		
			size_t hash = 0;
			// RSHash
			size_t magic = 63689;
			for (size_t i = 0; i < s.size(); ++i)
			
				hash *= magic;
				hash += s[i];
				magic *= 378551;
			

			return hash;
		
	;

	template<size_t N,
		class K=string,
		class Hash1	= HashStr1,
		class Hash2 = HashStr2,
		class Hash3 = HashStr3>
	class BloomFilter
	
	public:
		bool Test(const K& key)// 检测
		
			size_t index1 = Hash1()(key) % len;
			if (_bs.test(index1) == false)
			
				return false;
			

			size_t index2 = Hash2()(key) % len;
			if (_bs.test(index2) == false)
			
				return false;
			

			size_t index3 = Hash3()(key) % len;
			if (_bs.test(index3) == false)
			
				return false;
			

			return true;
		
		
		void Set(const K& key)// 插入
		
			size_t index1 = Hash1()(key) % len;
			size_t index2 = Hash2()(key) % len;
			size_t index3 = Hash3()(key) % len;

			_bs.set(index1);
			_bs.set(index2);
			_bs.set(index3);
		
	private:
		bitset<6*N> _bs;
		size_t len = 6*N;
	;

注意: 布隆过滤器如果说某个元素不存在时,该元素一定不存在,如果该元素存在时,该元素可能存在,因为有些哈希函数存在一定的误判。

布隆过滤器不能直接支持删除工作,因为在删除一个元素时,可能会影响其他元素。

比如:删除上图中"tencent"元素,如果直接将该元素所对应的二进制比特位置0,“baidu”元素也被删除了,因为这两个元素在多个哈希函数计算出的比特位上刚好有重叠。

一种支持删除的方法:将布隆过滤器中的每个比特位扩展成一个小的计数器,插入元素时给k个计数器(k个哈希函数计算出的哈希地址)加一,删除元素时,给k个计数器减一,通过多占用几倍存储空间的代价来增加删除操作。

布隆过滤器优点

  1. 增加和查询元素的时间复杂度为:O(K), (K为哈希函数的个数,一般比较小),与数据量大小无关
  2. 哈希函数相互之间没有关系,方便硬件并行运算
  3. 布隆过滤器不需要存储元素本身,在某些对保密要求比较严格的场合有很大优势
  4. 在能够承受一定的误判时,布隆过滤器比其他数据结构有这很大的空间优势
  5. 数据量很大时,布隆过滤器可以表示全集,其他数据结构不能
  6. 使用同一组散列函数的布隆过滤器可以进行交、并、差运算

布隆过滤器缺陷

  1. 有误判率,即存在假阳性(False Position),即不能准确判断元素是否在集合中(补救方法:再建立一个白名单,存储可能会误判的数据)
  2. 不能获取元素本身
  3. 一般情况下不能从布隆过滤器中删除元素
  4. 如果采用计数方式删除,可能会存在计数回绕问题

海量数据面试题

  1. 给一个超过100G大小的log file, log中存着IP地址, 设计算法找到出现次数最多的IP地址?
  • 先创建100个小文件,分别叫0.txt 1.txt …99.txt。然后读取100G long file,依次获取每个ip
  • 用一个字符串哈希算法,把ip转换成整形。比如使用BKDR size_t num = BKDRHash(ip) %100然后这个ip就进行num.txt号小文件,依次对所有ip,进行处理,进入对应的小文件。
  • 依次读取每个小文件,比如先读取0.txt中ip,map<string, int>统计次数。这里ip的次数就是他最终次数然后在clear掉map中值,在读取1.txt,继续统计次数,不断走下去。
  • 比如要找出出现次数最多的ip,那就记录一下,每次统计出的次数最多ip,比较记录下最多即可,如果要找出现次数top k的ip,建立一个k个数小堆即可。
  1. 给定100亿个整数,设计算法找到只出现一次的整数?

利用两个比特位标识一个值,不存在为00,出现1次为01,出现多次为10。

也可以用两个位图,代码如下

namespace nzb

	template<size_t N>
	class bitset
	
	public:
		bitset()
		
			_bits.resize(N / 8 + 1, 0);
		

		bool test(size_t x)
		
			// 计算出他是第i个char对象中
			size_t i = x / 8;
			// 计算出他在这个char的第j个比特位上
			size_t j = x % 8;

			return ((_bits[i] & (1 << j)) == 0) ? false : true;
		

		// 把x映射的比特位设置成1
		void set(size_t x)
		
			// 计算出他是第i个char对象中
			size_t i = x / 8;
			// 计算出他在这个char的第j个比特位上
			size_t j = x % 8;

			_bits[i] |= (1 << j);
		

		void reset(size_t x)
		
			// 计算出他是第i个char对象中
			size_t i = x / 8;
			// 计算出他在这个char的第j个比特位上
			size_t j = x % 8;

			_bits[i] &= (~(1 << j));
		
	private:
		vector<char> _bits;
	;
	
	template<size_t N>
	class FindOnceValSet
	
	public:
		void set(size_t x)
		
			bool flag1 = _bst1.test(x);
			bool flag2 = _bst2.test(x);
			// 00 -> 01
			if (flag1 == false && flag2 == false)
			
				_bst2.set(x);
			// 01 -> 10
			else if (flag1 == false && flag2 == true)
			
				_bst1.set(x);
				_bst2.reset(x);
			
			// 10 -> 10  不处理,标识已经出现多次
		

		void print_once_num()
		
			for (size_t i = 0; i < N; i++)
			
				if (_bst1.test(i) == false && _bst2.test(i) == true)
				
					cout << i << endl;
				
			
		
	private:
		bitset<N> _bst1;
		bitset<N> _bst2;
	;

  1. 给两个文件,分别有100亿个整数,我们只有1G内存,如何找到两个文件交集?

创建两个位图,将两个文件分别映射到位图中,两个位图中相同位置都为1的话,映射到该位置的文件是交集。

  1. 给两个文件,分别有100亿个query,我们只有1G内存,如何找到两个文件交集?分别给出精确算法和近似算法

假设这两个文件分别为A,B。依次读取A的文件中query,然后使用字符串哈希算法转成整形,size_t val = HashStr(query);size_t i = val%200;这个query就是进入Ai.txt号小文件,相同操作用于B。A和B中,相同的query进入编号相同的小文件,只需要在编号相同的小文件找交集即可。

以上是关于位图的应用的主要内容,如果未能解决你的问题,请参考以下文章

获取火花窗口的位图

解码后的位图字节大小?

如何制作像 Apple Color Emoji.ttf 这样使用彩色位图图像的字体?

flink:RoaringBitmap在亿级用户实时UV精确去重中应用

STL详解(十四)—— bitset(位图)的介绍与使用

如何在c#中将位图图像转换为黑白? [复制]