利用BitMap进行大数据排序去重

1、问题

问题提出：

M（如10亿）个int整数，只有其中N个数重复出现过，读取到内存中并将重复的整数删除。

2、解决方案

问题分析：

我们肯定会先想到在计算机内存中开辟M个int整型数据数组，来one bye one读取M个int类型数组， 然后在一一比对数值，最后将重复数据的去掉。当然这在处理小规模数据是可行的。

我们考虑大数据的情况：例如在java语言下，对10亿个int类型数据排重。

java中一个int类型在内存中占4byte。那么10亿个int类型数据共需要开辟10^9次方*4byte≈4GB的连续内存空间。以32位操作系统电脑为例，最大支持内存为4G，可用内存更是小于4G。所以上述方法在处理大数据时根本行不通。

思维转化：

既然我们不能为所有 int 类型的数据开辟 int 类型数组，那么可以采取更小的数据类型来读取缓存 int 类型数据。考虑到计算机内部处理的数据都是 01 序列的bit，那么我们是否可以用 1bit 来表示一个 int 类型数据。

位映射的引出：

使用较小的数据类型指代较大的数据类型。如上所说的问题，我们可以用1个 bit 来对应一个int 整数。假如对应的 int 类型的数据存在，就将其对应的 bit 赋值为1，否则，赋值为0（boolean类型）。java中 int 范围为 -2^31 到 2^31-1. 那么所有的数值个数为 2^32，因此只需要开辟2^32 bit = 2^29 byte = 512M 大小的 内存空间 。显然，这样处理就能满足要求了，虽然对内存的消耗也不太小。

问题解决方案：

首先定义如下图的int - byte 映射关系，当然，映射关系可以自定义。但前提要保证你的数组上下标不能越界。

但如上定义的bit[]数组显然在计算机中是不存在的，我们需要将其转化为 java 中的一个基本数据类型存储。显然，byte[] 是最好的选择。

将其转化为byte[] 数组方案：

自定义的映射关系表，每个bit对应一个 int 数值，将 int 的最大值，最小值与数组的最大最小索引相对应。从上图可以看出来 int 数值与bit索引相差 2^31次方。当然，你也可以定义其他的映射关系，只是注意不要发生数组越界的情况。

bit[]索引：由于最大值可能是2^32,故用long接收: long bitIndex = num + (1l << 31); 

byte[]索引:  int index = (int) (bitIndex / 8);  ，在字节byte[index]中的具体位置：  int innerIndex = (int) (bitIndex % 8); 

更新值： dataBytes[index] = (byte) (dataBytes[index] | (1 << innerIndex)); 

 

注：在基数计数场景下，BitMap与很多其他方法比空间效率和时间效率大为提高，即使在非常大数据量的情况下也可胜任工作，但在更为大量的数据场景下可能空间占用的负担也会变得更重了，此时可以用概率算法——HyperLogLog ，它是一个用局部估计整体算法，是近似算法，详见 https://www.cnblogs.com/z-sm/p/9337648.html。

 

3、代码

import java.util.Random;

/**
 * 问题：M（如10亿）个int整数，只有其中N个数重复出现过，读取到内存中并将重复的整数删除。<br/>
 * 使用位映射来进行海量数据的去重排序，原先一个元素用一个int现在只用一个bit， 内存占比4*8bit:1bit=32:1<br/>
 * 亦可用java语言提供的BitSet，不过其指定bit index的参数为int类型，因此在此例中将输入数转为bit index时对于较大的数会越界<br><br/>
 */
public class BigDataSort {

    private static final int CAPACITY = 1_000_000;// 数据容量

    public static void main(String[] args) {

        testMyFullBitMap();

    }

    public static void testMyFullBitMap() {
        MyFullBitMap ms = new MyFullBitMap();

        byte[] bytes = null;

        Random random = new Random();
        long startTime = System.currentTimeMillis();
        for (int i = 0; i < CAPACITY; i++) {
            int num = random.nextInt();
            // System.out.println("读取了第 " + (i + 1) + "\t个数: " + num);
            bytes = ms.setBit(num);
        }
        long endTime = System.currentTimeMillis();
        System.out.printf("存入%d个数，用时%dms\n", CAPACITY, endTime - startTime);

        startTime = System.currentTimeMillis();
        ms.output(bytes);
        endTime = System.currentTimeMillis();
        System.out.printf("取出%d个数，用时%dms\n", CAPACITY, endTime - startTime);
    }
}

class MyFullBitMap {
    // 定义一个byte数组表示所有的int数据，一bit对应一个，共2^32b=2^29B=512MB
    private byte[] dataBytes = new byte[1 << 29];

    /**
     * 读取数据，并将对应数数据的 到对应的bit中，并返回byte数组
     * 
     * @param num
     *            读取的数据
     * @return byte数组 dataBytes
     */
    public byte[] setBit(int num) {

        long bitIndex = num + (1l << 31); // 获取num数据对应bit数组（虚拟）的索引
        int index = (int) (bitIndex / 8); // bit数组（虚拟）在byte数组中的索引
        int innerIndex = (int) (bitIndex % 8); // bitIndex 在byte[]数组索引index 中的具体位置

        // System.out.println("byte[" + index + "] 中的索引：" + innerIndex);

        dataBytes[index] = (byte) (dataBytes[index] | (1 << innerIndex));
        return dataBytes;
    }

    /**
     * 输出数组中的数据
     * 
     * @param bytes
     *            byte数组
     */
    public void output(byte[] bytes) {
        int count = 0;
        for (int i = 0; i < bytes.length; i++) {
            for (int j = 0; j < 8; j++) {
                if (((bytes[i]) & (1 << j)) != 0) {
                    count++;
                    int number = (int) ((((long) i * 8 + j) - (1l << 31)));
                    // System.out.println("取出的第 " + count + "\t个数: " + number);
                }
            }
        }
    }
}

 

4、参考资料

http://yacare.iteye.com/blog/1969931