【数据结构】盘点那些经典的 [哈希面试题]【哈希切割】【位图应用】【布隆过滤器】（10）

前言

大家好吖，欢迎来到 YY 滴 数据结构 系列 ，热烈欢迎！ 本章主要内容面向接触过C++的老铁
主要内容含：

欢迎订阅 YY滴 数据结构 专栏！更多干货持续更新！以下是传送门！

一.哈希切割

• 哈希切分的基本概念： 是将一个大文件，利用哈希的原理， 将其分为若干个小文件。

【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？

• 根据 哈希切分的原理：相同的ip一定会进入同一个小文件中，用 map 统计每个小文件中相同ip出现的次数

二.位图应用

【1】给定100亿个整数，设计算法找到只出现一次的整数？

• 分析：我们可以用两个位图来控制，我们可以这样设计
  

• 代码展示设计思路如图所示：

template<size_t N>
	class twobitset
	{
	public:
		void set(size_t x)
		{
			// 00 -> 01
			if (!_bs1.test(x) && !_bs2.test(x))
			{
				_bs2.set(x);
			} // 01 -> 10
			else if (!_bs1.test(x) && _bs2.test(x))
			{
				_bs1.set(x);
				_bs2.reset(x);
			}
			// 本身10代表出现2次及以上，就不变了
		}

		bool is_once(size_t x)
		{
			return !_bs1.test(x) && _bs2.test(x);
		}
	private:
		bitset<N> _bs1;
		bitset<N> _bs2;
	};

【2】位图应用变形：1个文件有100亿个int，1G内存，设计算法找到出现次数不超过2次的所有整数

• 此题的设计思路与上面的【1】基本一致，设计上要稍作改动：
  

• 代码展示设计思路如图所示：

template<size_t N>
	class twobitset
	{
	public:
		void set(size_t x)
		{
			// 00 -> 01
			if (!_bs1.test(x) && !_bs2.test(x))
			{
				_bs2.set(x);                        //出现一次
			} // 01 -> 10
			else if (!_bs1.test(x) && _bs2.test(x))
			{
				_bs1.set(x);
				_bs2.reset(x);                    //出现两次
			}// 10 -> 11
			else if (_bs1.test(x) && !_bs2.test(x))
			{
				_bs2.set(x);                      //出现三次
			}
			// 此外代表出现3次及以上，就不变了
		}

		bool max_two(size_t x)
		{
			return (_bs1.test(x) && !_bs2.test(x))||(!_bs1.test(x) && _bs2.test(x));   //10 或者 01
		}
	private:
		bitset<N> _bs1;
		bitset<N> _bs2;
	};

【3】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？

• 分析：
• 第一种思路是：把其中一个文件存入位图，遍历另一个文件元素，将问题转变成"在不在"问题
• 问题缺陷： 这种问题存在去重问题，即多次重复（下图中，交集明明只有一个3，但是会出现多个重复的3交集）
  

• 分析：
• 第二种思路是：将两个文件映射到两个位图中去（实现去重）
• 如果相对应的位置都是1（满足相＆为1），则此元素就在交集中

三.布隆过滤器

【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————（哈希切分）

• 我们先有一个内存大小基本概念：1G约为10亿byte，假设一个query平均为30byte，那么100亿query就约为3000亿byte，约为300G

• 哈希切分的基本概念： 是将一个大文件，利用哈希的原理， 将其分为若干个小文件。
• 相同的数据都被分到同一个文件里
• 在此题中，如下图所示，即：A和B中相同的query就会进入相同的小文件中
  
  

【2】如何扩展BloomFilter使得它支持删除元素的操作

• 多个位标识同一个值，使用 引用计数