大数据过滤及判断算法 Bitmap / Bloomfilter

    今天，有个同学向我咨询大数据的一些面试题，其中一类比较有代表性比如判断是否在集合内，比如10个url，判断一个url是否在集合内，还比如有个1~100万个连续无序数字，随机取出里面的N个，求这N个数字等等。这类问题都需要一个大的数据集合，而且每个数据单元都很小，比如一个int 。很大程度上，这类问题可以用Bitmap或者Bloomfilter来做，基本思想就是开辟一块大内存，然后利用一个byte里的8个bit来实现按位标记元素。因为地址空间都是连续的，所以查找都是O(1)的。这里需要说的是，BloomFilter判断属不属于集合，在理论上是存在误判的，如果要求数据100%正确，则不要使用BloomFilter。
       进入正题，Bitmap正如其名，就是一块内存，内存是一个一个连续的位图，每一个位通过0、1代表一个元素的有无。比如数字为N的数字对应到Bitmap就是第N/8个byte的字节，和第N%8个01位，这么映射。所以通过检测对应的bit位即可知道数据在不在集合内，而且能保证正确。直接上代码 :
[cpp] 
#include <cstdlib> 
#include <iostream> 
#include <algorithm> 
#include <vector> 
#include <stddef.h> 
 
#include <memory.h> 
 
#define BYTES 12500 
 
int main() 
{ 
    srand((unsigned int)time(NULL));     
 
    size_t total_numbers = 100000; 
 
    typedef std::vector<int> SetContainer; 
    typedef std::vector<int>::iterator SetIterator; 
 
    SetContainer numbers; 
    numbers.reserve(total_numbers); 
 
    int r1 = rand() % total_numbers; 
    int r2 = r1 + 1000; 
 
    // generate total_numbers-2 numbers 
    for(int i=0;i!=total_numbers;++i) { 
        if (i!=r1 && i!= r2) 
            numbers.push_back(i); 
    } 
 
    std::cout<<"["<<numbers.size()<<"] insert ok";     
    std::cin.get(); 
 
    // shuffle 
    std::random_shuffle(numbers.begin(),numbers.end()); 
 
    unsigned char *bitmap = (unsigned char*)malloc(BYTES); 
    memset(bitmap,0,BYTES); 
    for (SetIterator itr=numbers.begin();itr!=numbers.end();++itr) { 
        ptrdiff_t forward = (*itr) / 8; 
        size_t offset = (*itr) % 8; 
        bitmap[forward] |= (0x80UL >> offset);  
    } 
 
    std::cout<<"Bitmap build ok";  
    std::cin.get(); 
 
    for (int j=0;j!=BYTES;++j) { 
        if (bitmap[j]!=0xFF) { 
            std::cout<<"FIND "; 
            unsigned long num = j * 8; 
            unsigned char check = bitmap[j]; 
            unsigned char bit = 0; 
            while(bit!=8) { 
                if (0 == (check&(0x80UL>>bit))) 
                    std::cout<<"["<<(num+bit)<<"] "; 
                bit++; 
            } 
            std::cout<<std::endl; 
        } 
    } 
 
    std::cout<<"DONE"; 
 
    std::cin.get(); 
 
    free(bitmap); 
 
    return 0; 
} 

      BloomFilter，是由 Howard Bloom 在 1970 年提出的二进制向量数据结构，适合与比Bitmap更多量的数据，通过图片看一下方法流程 :
      1、初始化一块大内存用于存放01标志位：
      
      2、通过使用N个hash函数(N==3)，对同一个值Hash多次哈希，然后同Bitmap一样映射到Bloomfilter中去，
       
 
      3、检测时，同样通过N次哈希，在映射的位中去找，并要保持映射的每一位都是1的情况下，即检测处包含关系。正如前面说的，BloomFilter可能有误判，误判的几率取决于Hash函数的个数，Hash函数冲撞的概率，以及Bloomfilter开开辟的内存大小。Hash函数的个数要取个合适的值，大了会造成效率问题，少了可能误判高，理论5~10个之间，工程里用3~5个，具体多少可以视需求而定。
      
        代码 ：
   
[cpp]
#include <cstdlib> 
#include <cstdio> 
#include <iostream> 
#include <algorithm> 
#include <vector> 
#include <stddef.h> 
 
#include <memory.h> 
 
#define BLOOM (1024UL*1024UL*1024UL) // 1G 
#define HASH_RESULT 3 
 
typedef unsigned char BloomFilter; 
 
typedef struct __hash_result { 
    size_t N;   // how many result 
    size_t result[0]; 
}HashResult; 
 
/* Brian Kernighan & Dennis Ritchie hashfunction , used in Java */ 
size_t BKDR_hash(const char* str)   
{   
    register size_t hash = 0;   
    while (size_t ch = (size_t)*str++)  {          
        hash = hash * 131 + ch;  
    } 
    return hash; 
} 
 
/* Unix System Hashfunction , also used in Microsoft's hash_map */ 
size_t FNV_hash(const char* str)   
{   
    if(!*str) 
        return 0;   
    register size_t hash = 2166136261;   
    while (size_t ch = (size_t)*str++) {   
        hash *= 16777619;   
        hash ^= ch;   
    }   
    return hash;   
}   
 
/* Donald Knuth Hashfunction , presented in book <Art of Computer Programming> */ 
size_t DEK_hash(const char* str)   
{   
    if(!*str)   
        return 0;   
    register size_t hash = 1315423911;   
    while (size_t ch = (size_t)*str++)  {   
        hash = ((hash << 5) ^ (hash >> 27)) ^ ch;   
    }   
    return hash;   
}   
 
typedef size_t (*HASH_FUNC)(const char*); 
 
HASH_FUNC HASH[] = { 
    BKDR_hash,FNV_hash,DEK_hash 
}; 
 
 
void bloom_filter_mark(BloomFilter* bf, const char* v) 
{ 
    HashResult *hr = (HashResult*)calloc(1,sizeof(HashResult)+(sizeof(size_t)*HASH_RESULT)); 
 
    for (int i=0;i!=HASH_RESULT;++i) { 
        hr->result[i] = (HASH[i](v)) % BLOOM; 
        // set the binary bit to 1 
        bf[hr->result[i]/8] |= 0x80UL >> (hr->result[i]%8); 
        //printf("**%lu|hash-%d[%lu]|offset[%X]\n",HASH[i](v),i,hr->result[i],bf[hr->result[i]/8]); 
    } 
 
    free(hr); 
} 
 
bool bloom_filter_check(BloomFilter* bf, const char* v) 
{ 
    HashResult *hr = (HashResult*)calloc(1,sizeof(HashResult)+(sizeof(size_t)*HASH_RESULT)); 
 
    size_t in = HASH_RESULT; 
    for (int i=0;i!=HASH_RESULT;++i) { 
        hr->result[i] = HASH[i](v) % BLOOM; 
        //printf("**%lu|%X\n",hr->result[i],bf[hr->result[i]/8]); 
        // check this bit is "1" or not 
        if (bf[hr->result[i]/8] & (0x80UL >> (hr->result[i]%8))) 
            in--; 
    } 
 
    free(hr); 
    return in == 0; 
 
} 
 
int main() 
{ 
//  std::cout<<BKDR_hash("0")<<std::endl; 
//  std::cout<<DEK_hash("0")<<std::endl; 
//  std::cout<<FNV_hash("0")<<std::endl; 
 
    BloomFilter* bloom = new (std::nothrow) BloomFilter[BLOOM]; 
    if (NULL == bloom) 
        printf("No Space to build BloomFilter\n"),exit(0); 
 
    printf("BloomFilter Calloc Memory Ok\n"); 
 
    for(int i=0;i!=1000000;i++) { 
        char buf[16] = {0}; 
        sprintf(buf,"%d",i); 
        bloom_filter_mark(bloom,buf); 
    } 
    printf("BloomFilter Build Ok\n"); 
 
    for(int i=999995;i!=1000010;i++) { 
        char buf[16] = {0}; 
        sprintf(buf,"%d",i); 
        if (bloom_filter_check(bloom,buf)) 
            printf("[FOUND] %d\n",i); 
    } 
 
    delete bloom; 
 
    return 0; 
} 

转自http://www.2cto.com/kf/201209/157387.html