解析bitmap处理海量数据及其实现方法分析

【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。
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。下面的代码给出了一个BitMap的用法：排序。


代码如下:

//定义每个Byte中有8个Bit位  
#include ＜memory.h＞ 
#define BYTESIZE 8 
void SetBit(char *p, int posi)  
{  
    for(int i=0; i ＜ (posi/BYTESIZE); i++)  
    {  
        p++;  
    }

*p = *p|(0x01＜＜(posi%BYTESIZE));//将该Bit位赋值1 
    return;  
}

void BitMapSortDemo()  
{  
    //为了简单起见，我们不考虑负数 
    int num[] = {3,5,2,10,6,12,8,14,9};

//BufferLen这个值是根据待排序的数据中最大值确定的 
    //待排序中的最大值是14，因此只需要2个Bytes(16个Bit) 
    //就可以了。  
    const int BufferLen = 2;  
    char *pBuffer = new char[BufferLen];

//要将所有的Bit位置为0，否则结果不可预知。 
    memset(pBuffer,0,BufferLen);  
    for(int i=0;i＜9;i++)  
    {  
        //首先将相应Bit位上置为1 
        SetBit(pBuffer,num[i]);  
    }

//输出排序结果  
    for(int i=0;i＜BufferLen;i++)//每次处理一个字节(Byte) 
    {  
        for(int j=0;j＜BYTESIZE;j++)//处理该字节中的每个Bit位 
        {  
            //判断该位上是否是1，进行输出，这里的判断比较笨。 
            //首先得到该第j位的掩码（0x01＜＜j），将内存区中的 
            //位和此掩码作与操作。最后判断掩码是否和处理后的 
            //结果相同 
            if((*pBuffer&(0x01＜＜j)) == (0x01＜＜j))  
            {  
                printf("%d ",i*BYTESIZE + j);  
            }  
        }  
        pBuffer++;  
    }  
}

int _tmain(int argc, _TCHAR* argv[])  
{  
    BitMapSortDemo();  
    return 0;  
}

【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。 （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。
bitmap的C语言实现


代码如下:

bitmap.h

/*
 *bitmap的c语言实现 
*/ 
#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; 
}