1、问题
问题提出：
M（如10亿）个int整数，只有其中N个数重复出现过，读取到内存中并将重复的整数删除。
2、解决方案
问题分析：
我们肯定会先想到在计算机内存中开辟M个int整型数据数组，来one bye one读取M个int类型数组， 然后在一一比对数值，最后将重复数据的去掉。当然这在处理小规模数据是可行的。
我们考虑大数据的情况：例如在java语言下，对10亿个int类型数据排重。
java中一个int类型在内存中占4byte。那么10亿个int类型数据共需要开辟10^9次方*4byte≈4GB的连续内存空间。以32位操作系统电脑为例，最大支持内存为4G，可用内存更是小于4G。所以上述方法在处理大数据时根本行不通。
思维转化：
既然我们不能为所有 int 类型的数据开辟 int 类型数组，那么可以采取更小的数据类型来读取缓存 int 类型数据。考虑到计算机内部处理的数据都是 01 序列的bit，那么我们是否可以用 1bit 来表示一个 int 类型数据。
位映射的引出：
使用较小的数据类型指代较大的数据类型。如上所说的问题，我们可以用1个 bit 来对应一个int 整数。假如对应的 int 类型的数据存在，就将其对应的 bit 赋值为1，否则，赋值为0（boolean类型）。java中 int 范围为 -2^31 到 2^31-1. 那么所有可能的数值组成的长度为2^32. 对应的 bit 长度也为 2^32. 那么可以用这样处理之后只需要开辟2^32 bit = 2^29 byte = 512M 大小的 内存空间 。显然，这样处理就能满足要求了，虽然对内存的消耗也不太小。
问题解决方案：
首先定义如下图的int - byte 映射关系，当然，映射关系可以自定义。但前提要保证你的数组上下标不能越界。
但如上定义的bit[]数组显然在计算机中是不存在的，所我们需要将其转化为 java 中的一个基本数据类型存储。显然，byte[] 是最好的选择。
将其转化为byte[] 数组方案：
自定义的映射关系表，每个bit对应一个 int 数值，将 int 的最大值，最小值与数组的最大最小索引相对应。从上图可以看出来 int 数值与bit索引相差 2^31次方。当然，你也可以定义其他的映射关系，只是注意不要发生数组越界的情况。
bit[]索引：由于最大值可能是2^32,故用long接收:long bitIndex = num + (1l << 31);
byte[]索引: int index = (int) (bitIndex / 8); ，在字节byte[index]中的具体位置： int innerIndex = (int) (bitIndex % 8);
更新值：dataBytes[index] = (byte) (dataBytes[index] | (1 << innerIndex));
import java.util.Random;
/**
* 问题：M（如10亿）个int整数，只有其中N个数重复出现过，读取到内存中并将重复的整数删除。
* 使用位映射来进行海量数据的去重排序，原先一个元素用一个int现在只用一个bit， 内存占比4*8bit:1bit=32:1
* 亦可用java语言提供的BitSet，不过其指定bit index的参数为int类型，因此在此例中将输入数转为bit index时对于较大的数会越界
*/
public class BigDataSort {
private static final int CAPACITY = 1_000_000;// 数据容量
public static void main(String[] args) {
testMyFullBitMap();
}
public static void testMyFullBitMap() {
MyFullBitMap ms = new MyFullBitMap();
byte[] bytes = null;
Random random = new Random();
long startTime = System.currentTimeMillis();
for (int i = 0; i < CAPACITY; i++) {
int num = random.nextInt();
// System.out.println("读取了第 " + (i + 1) + "\t个数: " + num);
bytes = ms.setBit(num);
}
long endTime = System.currentTimeMillis();
System.out.printf("存入%d个数，用时%dms\n", CAPACITY, endTime - startTime);
startTime = System.currentTimeMillis();
ms.output(bytes);
endTime = System.currentTimeMillis();
System.out.printf("取出%d个数，用时%dms\n", CAPACITY, endTime - startTime);
}
}
class MyFullBitMap {
// 定义一个byte数组表示所有的int数据，一bit对应一个，共2^32b=2^29B=512MB
private byte[] dataBytes = new byte[1 << 29];
/**
* 读取数据，并将对应数数据的 到对应的bit中，并返回byte数组
*
* @param num
* 读取的数据
* @return byte数组 dataBytes
*/
public byte[] setBit(int num) {
long bitIndex = num + (1l << 31); // 获取num数据对应bit数组（虚拟）的索引
int index = (int) (bitIndex / 8); // bit数组（虚拟）在byte数组中的索引
int innerIndex = (int) (bitIndex % 8); // bitIndex 在byte[]数组索引index 中的具体位置
// System.out.println("byte[" + index + "] 中的索引：" + innerIndex);
dataBytes[index] = (byte) (dataBytes[index] | (1 << innerIndex));
return dataBytes;
}
/**
* 输出数组中的数据
*
* @param bytes
* byte数组
*/
public void output(byte[] bytes) {
int count = 0;
for (int i = 0; i < bytes.length; i++) {
for (int j = 0; j < 8; j++) {
if (((bytes[i]) & (1 << j)) != 0) {
count++;
int number = (int) ((((long) i * 8 + j) - (1l << 31)));
// System.out.println("取出的第 " + count + "\t个数: " + number);
}
}
}
}
}
原文地址：https://www.cnblogs.com/z-sm/p/6238977.html