海量数据处理系列——C语言下实现bitmap算法

海量数据处理系列——C语言下实现bitmap算法

分类： 算法用的基础知识 2011-05-02 13:19   3161人阅读   评论(6)   收藏   举报

语言 c filter 电话 扩展 存储

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。

如果说了这么多还没明白什么是Bit-map，那么我们来看一个具体的例子，假设我们要对0-7内的5个元素(4,7,2,5,3)排序（这里假设这些元素没有重复）。那么我们就可以采用Bit-map的方法来达到排序的目的。要表示8个数，我们就只需要8个Bit（1Bytes），首先我们开辟1Byte 的空间，将这些空间的所有Bit位都置为0(如下图：)

然后遍历这5个元素，首先第一个元素是4，那么就把4对应的位置为1（可以这样操作 p+(i/8)|(0x01<<(i%8)) 当然了这里的操作涉及到Big-ending和Little-ending的情况，这里默认为Big-ending）,因为是从零开始的，所以要把第五位置为一（如下图）：

然后再处理第二个元素7，将第八位置为1,，接着再处理第三个元素，一直到最后处理完所有的元素，将相应的位置为1，这时候的内存的Bit位的状态如下：

然后我们现在遍历一遍Bit区域，将该位是一的位的编号输出（2，3，4，5，7），这样就达到了排序的目的。下面的代码是用C语言实现的BitMap。

 

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;
}

 

执行结果：

---

[root@localhost bitmap]# make
gcc    -c -o bitmap_test.o bitmap_test.c
gcc bitmap.o bitmap_test.o  -o bitmap
[root@localhost bitmap]# ./bitmap
1 3 5 6 7 8 10 12 23 34 43 54 56 65 76 78 87 89 98 100

---

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。