list1与list2求交集的方法总结！

一、有序集合求交集的方法有

a）二重for循环法，时间复杂度O(n*n)

b）拉链法，时间复杂度O(n)

c）水平分桶，多线程并行

d）bitmap，大大提高运算并行度，时间复杂度O(n)

e）跳表，时间复杂度为O(log(n))

以下是方法的具体介绍：

方案一：for * for，土办法，时间复杂度O(n*n)

　　　　每个搜索词命中的网页是很多的，O(n*n)的复杂度是明显不能接受的。倒排索引是在创建之初可以进行排序预处理，问题转化成两个有序的list求交集，就方便多了。

方案二：有序list求交集，拉链法

　　　　

　　　　　　有序集合1{1,3,5,7,8,9}

　　　　　　有序集合2{2,3,4,5,6,7}

　　　　两个指针指向首元素，比较元素的大小：

　　　　（1）如果相同，放入结果集，随意移动一个指针

　　　　（2）否则，移动值较小的一个指针，直到队尾

　　这种方法的好处是：

　　（1）集合中的元素最多被比较一次，时间复杂度为O(n)

　　（2）多个有序集合可以同时进行，这适用于多个分词的item求url_id交集

　　这个方法就像一条拉链的两边齿轮，一一比对就像拉链，故称为拉链法

方案三：分桶并行优化

　　　　数据量大时，url_id分桶水平切分+并行运算是一种常见的优化方法，如果能将list1<url_id>和list2<url_id>分成若干个桶区间，每个区间利用多线程并行求交集，各个线程结果集的并集，作为最终的结果集，能够大大的减少执行时间。

　　　　举例：

　　　　　　有序集合1{1,3,5,7,8,9, 10,30,50,70,80,90}

　　　　　　有序集合2{2,3,4,5,6,7, 20,30,40,50,60,70}

　　　　求交集，先进行分桶拆分：

　　　　　　桶1的范围为[1, 9]

　　　　　　桶2的范围为[10, 100]

　　　　　　桶3的范围为[101, max_int]

　　　　于是：

　　　　集合1就拆分成

　　　　集合a{1,3,5,7,8,9}

　　　　集合b{10,30,50,70,80,90}

　　　　集合c{}

　　　　集合2就拆分成

　　　　集合d{2,3,4,5,6,7}

　　　　集合e{20,30,40,50,60,70}

　　　　集合e{}

　　　　每个桶内的数据量大大降低了，并且每个桶内没有重复元素，可以利用多线程并行计算：

　　　　桶1内的集合a和集合d的交集是x{3,5,7}

　　　　桶2内的集合b和集合e的交集是y{30, 50, 70}

　　　　桶3内的集合c和集合d的交集是z{}

　　　最终，集合1和集合2的交集，是x与y与z的并集，即集合{3,5,7,30,50,70}

方案四：bitmap再次优化

　　　　数据进行了水平分桶拆分之后，每个桶内的数据一定处于一个范围之内，如果集合符合这个特点，就可以使用bitmap来表示集合：

　　　　　　

　　如上图，假设set1{1,3,5,7,8,9}和set2{2,3,4,5,6,7}的所有元素都在桶值[1, 16]的范围之内，可以用16个bit来描述这两个集合，原集合中的元素x，在这个16bitmap中的第x个bit为1，此时两个bitmap求交集，只需要将两个bitmap进行“与”操作，结果集bitmap的3，5，7位是1，表明原集合的交集为{3,5,7}

　　　　水平分桶，bitmap优化之后，能极大提高求交集的效率，但时间复杂度仍旧是O(n)

　　　　但bitmap需要大量连续空间，占用内存较大

方案五：跳表skiplist

　　　　有序链表集合求交集，跳表是最常用的数据结构，它可以将有序集合求交集的复杂度由O(n)降至O(log(n))

　　　　　

　　　　集合1{1,2,3,4,20,21,22,23,50,60,70}

　　　　集合2{50,70}

　　　　要求交集，如果用拉链法，会发现1,2,3,4,20,21,22,23都要被无效遍历一次，每个元素都要被比对，时间复杂度为O(n)，能不能每次比对“跳过一些元素”呢？

跳表就出现了：

　　　　　　

　　　　集合1{1,2,3,4,20,21,22,23,50,60,70}建立跳表时，一级只有{1,20,50}三个元素，二级与普通链表相同，集合2{50,70}由于元素较少，只建立了一级普通链表；如此这般，在实施“拉链”求交集的过程中，set1的指针能够由1跳到20再跳到50，中间能够跳过很多元素，无需进行一一比对，跳表求交集的时间复杂度近似O(log(n))，这是搜索引擎中常见的算法。

参考：list1与list2求交集的方法总结！