JAVA海量数据处理之二（BitMap）

       路漫漫其修远兮，吾将上下而求索。想要更快，就要深入挖掘 JAVA 基础的数据结构，从来分析出所编写的 JAVA 代码为什么把内存耗尽，思考有什么办法可以节省内存呢？ 啊哈！算法。这里采用了 BitMap 思想。

 

首先来看一个实验：

指定 VM 参数大小： -Xms256m -Xmx540m

 

import java.util.TreeSet;

public class Test {

    public static void main(String[] args) {

       TreeSet set = new TreeSet();

       for(long i=10000000000L;i<900000000000L;i++){

           set.add(i);

           System.out.println("i="+i);

       }

    }

}

 

一个简单的 FOR 循环，运行该类，可以看到当输出： i=10011703526 的时候报错了

 

Exception in thread "main" java.lang.OutOfMemoryError: Java heap space

 

如果把上面的例子中的   set.add(i);  修改成 set.add(i+"");    那结果又是什么呢？

当输出 i=10005851762 时报了同样的错，内存溢出。为什么往内存里放 Long 型的比 String 型的多了近一半的数据呢？

 

1024 个字节 =1KB ， 1024KB=1MB ， 1024MB=1GB 

 

 

Long 占 8 个字节 (64 位 ) ， 11703526 个 Long 型数据约 91433KB  合 89M

String 内部是由 char 构成，一个 char 占 2 个字节， 11 位的数据是 22 个字节， 5851762 个 String 型数据 约合 125721KB 合 122M

11 位的 String 数据比 11 位的 Long 型数据要占内存多。

 

总结：内存溢出是由于自己没有做到节省内存，用 64 位的 Long 型数据或 176 位的 String 型数据来存储 11 位的数据。那能不能用内存里的 11 位即 11bit 来表示 11 位数据呢？

 

还是上一章（《 JAVA 海量数据处理之一》）的问题，我还能再快吗？答案是可以的！

我在编码中改用了 BitMap 思想，使效率又提升了一倍。

 

【什么是Bit-map 】

 

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。

详细资料可参考：

http://blog.csdn.net/hit_kongquan/article/details/6255673

http://wansishuang.appspot.com/?p=35003

 

例子：用位向量来表示数据： 1 、 3 、 6 、 10 、 100

 

import java.util.BitSet;

public class BitTest {

    public static void main(String[] args) {

       // 1 3 6 10 100

         BitSet bitSet = new BitSet(100);

         bitSet.set(1,true);

         bitSet.set(3,true);

         bitSet.set(6,true);

         bitSet.set(100,true);

         for(int i=0;i<bitSet.size();i++){

         boolean b = bitSet.get(i);

         if(b){

              System.out.println(i);

         }

         }

    }

}

 

用 BitMap 来实现数据过滤结果：

 

      * 371M 的文件（ 3000 万的数据）   过滤数据耗时 : 27375 毫秒

      * 520M 的文件（ 4200 万的数据）   过滤数据耗时 : 62000 毫秒 

 其中把 4200 万的数据用 BitSet 操作耗时约 20-30 秒，写入目标文件约 30 秒。所以 1 分钟可以搞定 4200 万的数据。效率已经得到了极大的提高。