大数据量,海量数据处理方法总结海量2

3.bit-map
   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。

 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。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。

 4.堆

   适用范围：海量数据前n大，并且n比较小，堆可以放入内存

   基本原理及要点：最大堆求前n小，最小堆求前n大。方法，比如求前n小，我们比较当前元素与最大堆里的最大元素，如果它小于最大元素，则应该替换那个最大元素。这样最后得到的n个元素就是最小的n个。适合大数据量，求前n小，n的大小比较小的情况，这样可以扫描一遍即可得到所有的前n元素，效率很高。

 扩展：双堆，一个最大堆与一个最小堆结合，可以用来维护中位数。

 问题实例：
 1)100w个数中找最大的前100个数。

 用一个100个元素大小的最小堆即可。

 5.双层桶划分

   适用范围：第k大，中位数，不重复或重复的数字

   基本原理及要点：因为元素范围很大，不能利用直接寻址表，所以通过多次划分，逐步确定范围，然后最后在一个可以接受的范围内进行。可以通过多次缩小，双层只是一个例子。
   扩展：

 问题实例：
 1).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。

 有点像鸽巢原理，整数个数为2^32,也就是，我们可以将这2^32个数，划分为2^8个区域(比如用单个文件代表一个区域)，然后将数据分离到不同的区域，然后不同的区域在利用bitmap就可以直接解决了。也就是说只要有足够的磁盘空间，就可以很方便的解决。

 2).5亿个int找它们的中位数。

 这个例子比上面那个更明显。首先我们将int划分为2^16个区域，然后读取数据统计落到各个区域里的数的个数，之后我们根据统计结果就可以判断中位数落到那个区域，同时知道这个区域中的第几大数刚好是中位数。然后第二次扫描我们只统计落在这个区域中的那些数就可以了。

 实际上，如果不是int是int64，我们可以经过3次这样的划分即可降低到可以接受的程度。即可以先将int64分成2^24个区域，然后确定区域的第几大数，在将该区域分成2^20个子区域，然后确定是子区域的第几大数，然后子区域里的数的个数只有2^20，就可以直接利用direct addr table进行统计了。

 6.数据库索引

   适用范围：大数据量的增删改查

   基本原理及要点：利用数据的设计实现方法，对海量数据的增删改查进行处理。
 扩展：
 问题实例：