位图和哈希切分的大数据处理

位图是一个数组的每个数据的每个二进制位表示一个数据，0表示数据不存在，1表示数据存在；

在现实生活中，大数据的处理十分的常见；比如说，给40亿个不重复的无符号整数，没排过序，如何快速判断一个数是否在这40亿个数中？

要解决这个问题，我们首先想到的是先排序，在进行二分查找，很容易就可以判断成功。但是排序并不好排，40亿个数据，让我们来算一算需要多少的内存，40亿*4字节 =  4G*4 = 16G;一般的电脑都是4G，8G；一次处理16G的数据显然是不可能了；这就需要用位图来解决这类的问题了；

要表示40亿个数据，一个数据4个字节，32个二进制位，用一个二进制位来表示一个数是否存在的状态，这就需要500M左右的内存；显然这是可以接受的；具体看下图：

实现代码如下：

//位图
class BitSet
{
public:
	BitSet(const size_t range)
	{
		_a.resize((range>>5) + 1);
	}

	void Set(size_t num)  //将num记录;
	{
		size_t index = num >> 5;
		size_t pos = num % 32;

		_a[index] |= (1 << pos);
	}

	void Reset(size_t num)  //删除num记录
	{
		size_t index = num >> 5;
		size_t pos = num % 32;

		_a[index] &= ~(1 << pos);
	}

	bool Test(size_t num) //判断num是否存在;
	{
		size_t index = num >> 5;
		size_t pos = num % 32;

		//判断这这个位，0不存在，1存在；

		return _a[index] & (1 << pos);
	}


protected:
	vector _a;
};

解决上述问题的测试用例：

void TestBitSet()
{
	BitSet bs(-1); //-1转换后就是整数表示的最大范围；
	bs.Set(1);
	bs.Set(3);
	bs.Set(4);
	bs.Set(8);

        //.... 向后的40亿数据
	cout << bs.Test(1) << endl;
	cout << bs.Test(10) << endl;
}

让我们继续深入，看看另外一个问题：

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？

一次处理100G，计算机想想就压力巨大，我们可以将其划分位计算机能处理的大小进行处理，比如以1G为单位划分位100份，一份一份进行处理，就可达到目的，但是怎么划分是个难题；

第一种思路：可以将100G等分划分位100份，每一份单独处理，但是这个会遇到一个问题，有些想同的IP地址是在不同的等分块中，统计的结果不是正确的结果；

第二种思路：利用哈希切分，可以划分成100份，重点是使相同IP进入一个编号相同的小文件；这就避免了相同IP地址分散在不同小文件的问题；