大数据处理-BitMap是什么

1. Bit Map算法简介所谓的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。2. Bit Map的基本思想我们先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。优点：1.运算效率高，不许进行比较和移位；2.占用内存少，比如N=10000000；只需占用内存为N/8=1250000Byte=1.25M。缺点：所有的数据不能重复。即不可对重复的数据进行排序和查找。 3. Map映射表假设需要排序或者查找的总数N=10000000，那么我们需要申请内存空间的大小为int a[1 + N/32]，其中：a[0]在内存中占32为可以对应十进制数0-31，依次类推：bitmap表为：a[0]--------->0-31a[1]--------->32-63a[2]--------->64-95a[3]--------->96-127..........那么十进制数如何转换为对应的bit位，下面介绍用位移将十进制数转换为对应的bit位。4. 位移转换申请一个int一维数组，那么可以当作为列为32位的二维数组， | 32位 |int a[0] |0000000000000000000000000000000000000|int a[1] |0000000000000000000000000000000000000|………………int a[N] |0000000000000000000000000000000000000| 例如十进制0，对应在a[0]所占的bit为中的第一位： 000000000000000000000000000000010-31：对应在a[0]中i =0 00000000000000000000000000000000temp=0 00000000000000000000000000000000answer=1 00000000000000000000000000000001 i =1 00000000000000000000000000000001temp=1 00000000000000000000000000000001answer=2 00000000000000000000000000000010 i =2 00000000000000000000000000000010temp=2 00000000000000000000000000000010answer=4 00000000000000000000000000000100 i =30 00000000000000000000000000011110temp=30 00000000000000000000000000011110answer=1073741824 01000000000000000000000000000000 i =31 00000000000000000000000000011111temp=31 00000000000000000000000000011111answer=-2147483648 10000000000000000000000000000000 32-63：对应在a[1]中i =32 00000000000000000000000000100000temp=0 00000000000000000000000000000000answer=1 00000000000000000000000000000001 i =33 00000000000000000000000000100001temp=1 00000000000000000000000000000001answer=2 00000000000000000000000000000010 i =34 00000000000000000000000000100010temp=2 00000000000000000000000000000010answer=4 00000000000000000000000000000100 i =61 00000000000000000000000000111101temp=29 00000000000000000000000000011101answer=536870912 00100000000000000000000000000000 i =62 00000000000000000000000000111110temp=30 00000000000000000000000000011110answer=1073741824 01000000000000000000000000000000 i =63 00000000000000000000000000111111temp=31 00000000000000000000000000011111answer=-2147483648 10000000000000000000000000000000浅析上面的对应表，分三步：1.求十进制0-N对应在数组a中的下标：十进制0-31，对应在a[0]中，先由十进制数n转换为与32的余可转化为对应在数组a中的下标。比如n=24,那么 n/32=0，则24对应在数组a中的下标为0。又比如n=60,那么n/32=1，则60对应在数组a中的下标为1，同理可以计算0-N在数组a中的下标。2.求0-N对应0-31中的数：十进制0-31就对应0-31，而32-63则对应也是0-31，即给定一个数n可以通过模32求得对应0-31中的数。3.利用移位0-31使得对应32bit位为1:找到对应0-31的数为M, 左移M位：即2^M. 然后置1. 由此我们计算10000000个bit占用的空间：1byte = 8bit1kb = 1024byte1mb = 1024kb占用的空间为：10000000/8/1024/1024mb。5. 扩展Bloom filter可以看做是对bit-map的扩展6. Bit-Map的应用1）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。2）去重数据而达到压缩数据7. Bit-Map的具体实现#define BITSPERWORD 32
#define SHIFT 5
#define MASK 0x1F
#define N 10000000

int a[1 + N/BITSPERWORD];//申请内存的大小

//set 设置所在的bit位为1
void set（int i） {
a[i>>SHIFT] |= （1<<（i & MASK））;
}
//clr 初始化所有的bit位为0
void clr（int i） {
a[i>>SHIFT] &= ~（1<<（i & MASK））;
}
//test 测试所在的bit为是否为1
int test（int i）{
return a[i>>SHIFT] & （1<<（i & MASK））;
}

int main（）
{
int i;
for （i = 0; i < N; i++）
clr（i）;
while （scanf（"%d", &i）！= EOF）
set（i）;
for （i = 0; i < N; i++）
if （test（i））
printf（"%d ", i）;
return 0;
}注明：左移n位就是乘以2的n次方，右移n位就是除以2的n次方解析本例中的void set（int i） { a[i>>SHIFT] |= （1<<（i & MASK））; }1） i>>SHIFT：其中SHIFT=5，即i右移5为，2^5=32,相当于i/32，即求出十进制i对应在数组a中的下标。比如i=20，通过i>>SHIFT=20>>5=0 可求得i=20的下标为0；2） i & MASK：其中MASK=0X1F,十六进制转化为十进制为31，二进制为0001 1111，i&（0001 1111）相当于保留i的后5位。比如i=23，二进制为：0001 0111，那么 0001 0111 & 0001 1111 = 0001 0111 十进制为：23比如i=83，二进制为：0000 0000 0101 0011，那么 0000 0000 0101 0011 & 0000 0000 0001 0000 = 0000 0000 0001 0011 十进制为：19i & MASK相当于i%32。3） 1<<（i & MASK）相当于把1左移（i & MASK）位。比如（i & MASK）=20，那么i<<20就相当于： 0000 0000 0000 0000 0000 0000 0000 0001 << 20 =0000 0000 0001 0000 0000 0000 0000 0000注意上面 “|=”。位运算符及其应用提到过这样位运算应用：将int型变量a的第k位清0，即a=a&~（1<<k）将int型变量a的第k位置1，即a=a|（1<<k）这里的将 a[i/32] |= （1<<M））; 第M位置1 .4） void set（int i） { a[i>>SHIFT] |= （1<<（i & MASK））; } 等价void set（int i） { a[i/32] |= （1<<（i%32））; }即实现上面提到的三步：1.求十进制0-N对应在数组a中的下标： n/322.求0-N对应0-31中的数： N%32=M3.利用移位0-31使得对应32bit位为1: 1<<M，并置1;然后打印结果：0=110000000000000000000000000011101=10000010000000000000000106=10000000 32位表示，实际结果一目了然了，看看1,2,3,30,31, 33,50，56,199数据所在的具体位置： 31 30 3 2 1 0= 1 1 00 0000 0000 0000 0000 0000 0000 1 1 1 0 56 50 33 1= 0000 0001 0000 0100 0000 0000 0000 0010 199 6= 0000 0000 0000 0000 0000 0000 1000 0000 更多详情见请继续阅读下一页的精彩内容： http://www.linuxidc.com/Linux/2015-02/112831p2.htm