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。