海量数据处理系列----C++中Bitmap算法的实现

bitmap是一个十分有用的结构。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，因此在存储空间方面，可以大大节省。

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。

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。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。

下面是一个简单的Bitmap的实现：

[cpp] view
plaincopy

#include "stdafx.h"

#include <iostream>

using namespace std;

char *g_bitmap = NULL;

int g_size = 0;

int g_base = 0;

//功能：初始化bitmap

//参数： size：bitmap的大小，即bit位的个数

// start：起始值

//返回值：0表示失败，1表示成功

int bitmap_init(int size, int start)

{

g_size = size/8+1;

g_base = start;

g_bitmap = new char[g_size];

if(g_bitmap == NULL)

{

return 0;

}

memset(g_bitmap, 0x0, g_size);

return 1;

}

//功能：将值index的对应位设为1

//index:要设的值

//返回值：0表示失败，1表示成功

int bitmap_set(int index)

{

int quo = (index-g_base)/8 ; //确定所在的字节

int remainder = (index-g_base)%8; //字节内的偏移

unsigned char x = (0x1<<remainder);

if( quo > g_size)

return 0;

g_bitmap[quo] |= x; //所在字节内的特定位置为1

return 1;

}

//功能：取bitmap第i位的值

//i：待取位

//返回值：-1表示失败，否则返回对应位的值

int bitmap_get(int i)

{

int quo = (i)/8 ;

int remainder = (i)%8;

unsigned char x = (0x1<<remainder);

unsigned char res;

if( quo > g_size)

return -1;

res = g_bitmap[quo] & x;

return res > 0 ? 1 : 0;

}

//功能：返回index位对应的值

int bitmap_data(int index)

{

return (index + g_base);

}

//释放内存

int bitmap_free()

{

delete [] g_bitmap;

return 0;

}

int _tmain(int argc, _TCHAR* argv[])

{

int a[] = {5,8,7,6,3,1,10,78,56,34,23,12,43,54,65,76,87,98,89,100};

int i;

bitmap_init(100, 0);

for(i=0; i<20; i++)

{

bitmap_set(a[i]);

}

for(i=0; i<=100; i++)

{

if(bitmap_get(i) > 0 )

cout << bitmap_data(i)<< " ";

}

cout << endl;

bitmap_free();

return 0;

}

【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。