JAVA海量数据处理之 BitMap

 路漫漫其修远兮，吾将上下而求索。想要更快，就要深入挖掘 JAVA 基础的数据结构，从来分析出所编写的 JAVA 代码为什么把内存耗尽，思考有什么办法可以节省内存呢？ 啊哈！算法。这里采用了 BitMap 思想。

 

首先来看一个实验：

指定 VM 参数大小： -Xms256m -Xmx512m

 

import java.util.TreeSet;

public class Test {
    public static void main(String[] args) {
       TreeSet set = new TreeSet();

       for(long i=10000000000L;i<900000000000L;i++){
           set.add(i);
           System.out.println("i="+i);
       }
    }
}

 

一个简单的 FOR 循环，运行该类，可以看到当输出： i=10011703526 的时候报错了

 

Exception in thread "main" java.lang.OutOfMemoryError: Java heap space

 

如果把上面的例子中的   set.add(i);  修改成 set.add(i+"");    那结果又是什么呢？

当输出 i=10005851762 时报了同样的错，内存溢出。为什么往内存里放 Long 型的比 String 型的多了近一半的数据呢？

 

1024 个字节 =1KB ， 1024KB=1MB ， 1024MB=1GB 

 

 

Long 占 8 个字节 (64 位 ) ， 11703526 个 Long 型数据约 91433KB  合 89M

String 内部是由 char 构成，一个 char 占 2 个字节， 11 位的数据是 22 个字节， 5851762 个 String 型数据 约合 125721KB 合 122M

11 位的 String 数据比 11 位的 Long 型数据要占内存多。

 

总结：内存溢出是由于自己没有做到节省内存，用 64 位的 Long 型数据或 176 位的 String 型数据来存储 11 位的数据。那能不能用内存里的 11 位即 11bit 来表示 11 位数据呢？

 

所谓的Bit-map 就是用一个bit 位来标记某个元素对应的Value ， 而Key 即是该元素。由于采用了Bit 为单位来存储数据，因此在存储空间方面，可以大大节省。

 

 

如果说了这么多还没明白什么是Bit-map，那么我们来看一个具体的例子，假设我们要对0-7内的5个元素(4,7,2,5,3)排序（这里假设这些元素

没有重复）。那么我们就可以采用Bit-map的方法来达到排序的目的。要表示8个数，我们就只需要8个Bit（1Bytes），首先我们开辟1Byte的

空间，将这些空间的所有Bit位都置为0(如下图：)

然后遍历这5个元素，首先第一个元素是4，那么就把4对应的位置为1（可以这样操作 p+(i/8)|(0×01<<(i%8)) 当然了这里的操作涉及到Big-

ending和Little-ending的情况，这里默认为Big-ending）,因为是从零开始的，所以要把第五位置为一（如下图）：

然后再处理第二个元素7，将第八位置为1,，接着再处理第三个元素，一直到最后处理完所有的元素，将相应的位置为1，这时候的内存的Bit

位的状态如下：

然后我们现在遍历一遍Bit区域，将该位是一的位的编号输出（2，3，4，5，7），这样就达到了排序的目的。

下面给出java中实现Bit-Map思想的BitSet排序的实例。但是待排序的数中不能有负数。

package com.lang;

import java.util.BitSet;

public class BitTest2 {

	public static void main(String[] args) {
		//4,7,2,5,3
		BitSet bs = new BitSet(8);
		int[] ia = {4,7,2,5,3};
		for (int i : ia) {
			bs.set(i, true);
		}
		int size = bs.size();
		for (int j=0; j<size; j++) {
			boolean b = bs.get(j);
			if (b) 
				System.out.print(j + " ");
		}
		
	}
}

 

【适用范围】

可进行数据的快速查找，判重，删除，一般来说数据范围是int的10倍以下

【基本原理及要点】

使用bit数组来表示某些元素是否存在，比如8位电话号码

【扩展】

Bloom filter可以看做是对bit-map的扩展

【问题实例】

1)已知某个文件内包含一些电话号码，每个号码为8位数字，统计不同号码的个数。

8位最多99 999 999，大概需要99m个bit，大概10几m字节的内存即可。 （可以理解为从0-99 999 999的数字，每个数字对应一个Bit位，所以只需要99M个Bit==12.4MBytes，这样，就用了小小的12.4M左右的内存表示了所有的8位数的电话）

2)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。

将bit-map扩展一下，用2bit表示一个数即可，0表示未出现，1表示出现一次，2表示出现2次及以上，在遍历这些数的时候，如果对应位置的值是0，则将其置为1；如果是1，将其置为2；如果是2，则保持不变。或者我们不用2bit来进行表示，我们用两个bit-map即可模拟实现这个2bit-map，都是一样的道理。