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));

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