海量数据处理系列——C语言下实现bitmap算法

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。

///////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////

bitmap.h

/*

*bitmap的c语言实现

*作者：bitileaf

*时间：2010-12-18 14:12

*/

#ifndef _BITMAP_H_

#define _BITMAP_H_

/*

*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);

/*

*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);

/*

*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);

/*

*功能：返回index位对应的值

*/

int bitmap_data(int index);

/*释放内存*/

int bitmap_free();

#endif

bitmap.c

#include <stdio.h>

#include <stdlib.h>

#include <string.h>

#include "bitmap.h"

unsigned char *g_bitmap = NULL;

int g_size = 0;

int g_base = 0;

int bitmap_init(int size, int start)

{

g_bitmap = (char *)malloc((size/8+1)*sizeof(char));

if(g_bitmap == NULL)

return 0;

g_base = start;

g_size = size/8+1;

memset(g_bitmap, 0x0, g_size);

return 1;

}

int bitmap_set(int index)

{

int quo = (index-g_base)/8 ;

int remainder = (index-g_base)%8;

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

if( quo > g_size)

return 0;

g_bitmap[quo] |= x;

return 1;

}

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;

}

int bitmap_data(int index)

{

return (index + g_base);

}

int bitmap_free()

{

free(g_bitmap);

}

测试程序bitmap_test.c：

#include <stdio.h>

#include "bitmap.h"

int main()

{

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 )

printf("%d ", bitmap_data(i));

}

printf("/n");

bitmap_free();

return 0;

}
/////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////

bitmap在对数据进行排序时，其复杂度为O(n)。当然这是拿空间换来的。与bitmap类似的还有Bloom filter，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。

//////////////////////////////////////////////////////////////////

1、海量日志数据，提取出某日访问百度次数最多的那个IP。

此题，在我之前的一篇文章：“从头到尾彻底解析Hash表”算法里头有所提到，当时给出的方案是：IP的数目还是有限的，最多2^32个，所以可以考虑使用hash将ip直接存入内存，然后进行统计。
再详细介绍下此方案：首先是这一天，并且是访问百度的日志中的IP取出来，逐个写入到一个大文件中。注意到IP是32位的，最多有个2^32个IP。同样可以采用映射的方法，比如模1000，把整个大文件映射为1000个小文件，再找出每个小文中出现频率最大的IP（可以采用hash_map进行频率统计，然后再找出频率最大的几个）及相应的频率。然后再在这1000个最大的IP中，找出那个频率最大的IP，即为所求。

6、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。

方案1：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）进行，共需内存内存，还可以接受。然后扫描这2.5亿个整数，查看Bitmap中相对应位，如果是00变01，01变10，10保持不变。所描完事后，查看bitmap，把对应位是01的整数输出即可。
方案2：也可采用与第1题类似的方法，进行划分小文件的方法。然后在小文件中找出不重复的整数，并排序。然后再进行归并，注意去除重复的元素。

转自：http://blog.csdn.net/zhoubl668/article/details/6781587