海量数据处理系列----C++中Bitmap算法的实现

       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。

     适用范围：可进行数据的快速查找，判重，删除，一般来说数据范围是int的10倍以下

基本原理及要点：使用bit数组来表示某些元素是否存在，比如8位电话号码

扩展：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。

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。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。

下面是一个简单的Bitmap的实现：

#include "stdafx.h"
#include <iostream>
using namespace std;

char *g_bitmap = NULL;
int g_size = 0;
int g_base = 0;

//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)
{
    g_size = size/8+1;
    g_base = start;
    g_bitmap = new char[g_size];
    if(g_bitmap == NULL)
    {
        return 0;
    }
    memset(g_bitmap, 0x0, g_size);
    return 1;
}

//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)
{
        int quo = (index-g_base)/8 ;  //确定所在的字节
        int remainder = (index-g_base)%8;  //字节内的偏移
        unsigned char x = (0x1<<remainder);
        if( quo > g_size)
                return 0;
        g_bitmap[quo] |= x;   //所在字节内的特定位置为1
        return 1;
}

//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)
{
    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;
}


 //功能：返回index位对应的值
int bitmap_data(int index)
{
    return (index + g_base);
}

//释放内存
int bitmap_free()
{
    delete [] g_bitmap;
    return 0;
}

int _tmain(int argc, _TCHAR* argv[])
{
    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 )
            cout << bitmap_data(i)<< " ";
    }
    cout << endl;
    bitmap_free();
    return 0;
}

【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。