使用BitMap怎么实现大数据排序去重
今天就跟大家聊聊有关使用BitMap怎么实现大数据排序去重，可能很多人都不太了解，为了让大家更加了解，小编给大家总结了以下内容，希望大家根据这篇文章可以有所收获。
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. 那么所有可能的数值组成的长度为2^32. 对应的 bit 长度也为 2^32. 那么可以用这样处理之后只需要开辟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，所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));
` 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。
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
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
*/ 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](https://my.oschina.net/u/2303379) num * 读取的数据 * [@return](https://my.oschina.net/u/556800) 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](https://my.oschina.net/u/2303379) 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); } } }}}`
Bit-map应用之快速去重 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。 首先，根据"内存空间不足以容纳这2.5亿个整数"我们可以快速的联想到Bit-map。下边关键的问题就是怎么设计我们的Bit-map来表示这2.5亿个数字的状态了。其实这个问题很简单，一个数字的状态只有三种，分别为不存在，只有一个，有重复。因此，我们只需要2bits就可以对一个数字的状态进行存储了，假设我们设定一个数字不存在为00，存在一次01，存在两次及其以上为11。那我们大概需要存储空间几十兆左右。 接下来的任务就是遍历一次这2.5亿个数字，如果对应的状态位为00，则将其变为01；如果对应的状态位为01，则将其变为11；如果为11，,对应的转态位保持不变。 最后，我们将状态位为01的进行统计，就得到了不重复的数字个数，时间复杂度为O(n)。 转自：https://www.cnblogs.com/yale/p/9307363.html
看完上述内容，你们对使用BitMap怎么实现大数据排序去重有进一步的了解吗？如果还想了解更多知识或者相关内容，请关注行业资讯频道，感谢大家的支持。
