面试官:如何实现10亿数据判重?

2024年 2月 19日 69.6k 0

当数据量比较大时,使用常规的方式来判重就不行了。

例如,使用 MySQL 数据库判重,或使用 List.contains() 或 Set.contains() 判重就不可行,因为 MySQL 在数据量大时查询就会非常慢,而数据库又是及其珍贵的全局数据库资源。

《阿里巴巴Java开发手册》上也说了,如果单表数据量超过 500 万或 2GB 时就建议分库分表了,如下图所示:

图片图片

所以数据库去重显然是不行的。而使用集合也是不合适的,因为数据量太大,使用集合会导致内存不够用或内存溢出和 Full GC 频繁等问题,所以此时我们的解决方案通常是采用布隆过滤器来实现判重,布隆过滤器的详情请访问:如何实现布隆过滤器?

知识扩展

除了布隆过滤器之外,我们还可以使用 BitMap(位图)的数据类型来实现判重。

位图(BitMap)是一种数据结构,用于表示一个特定范围内的元素是否存在或者某种状态,通常用二进制位来表示。在位图中,每一个位只能是 0 或 1,分别表示元素不存在或存在。位图通常用一个 bit 数组来实现,每个 bit 位对应一个元素,如下图所示:

图片图片

其中,上图中的 1 表示有值,上面 BitMap 描述的值是 1,3,5。

BitMap 优点分析

位图的优势包括:

  • 空间效率优势:位图极大地节省了存储空间。对于大量稀疏数据,特别是当元素数量远大于实际存在的项时,相比于使用传统的列表、集合等数据结构,位图占用的空间极小。
  • 查询速度:由于内存访问是按字节或字进行的,因此对单个元素的存在性检查时间复杂度为 O(1),即常量时间,非常快速。
  • 批量操作高效:对于批量插入、删除和查询操作,尤其是统计某一范围内元素的数量,位图表现出优秀的性能。
  • BitMap VS int

    以 Java 中的 int 为例,来对比观察 BitMap 的优势,在 Java 中,int 类型通常需要 32 位(4 字节*8),而 BitMap 使用 1 位就可以来标识此元素是否存在,所以可以认为 BitMap 占用的空间大小,只有 int 类型的 1/32,所以有大数据量判重时,使用 BitMap 也可以实现。

    PS:布隆过滤器的底层就是基于 BitMap 数据结构实现的。

    BitMap 在 Java 中的使用

    BitMap 在 Java 中的具体实现是 java.util 中的 BitSet,BitSet 是一个可变大小的位向量,能够动态增长以容纳更多的位数据,以下是 BitSet 基本使用示例:

    import java.util.BitSet;
    
    public class BitmapExample {
        public static void main(String[] args) {
            // 创建一个BitSet实例
            BitSet bitmap = new BitSet();
    
            // 设置第5个位置为1,表示第5个元素存在
            bitmap.set(5);
    
            // 检查第5个位置是否已设置
            boolean exists = bitmap.get(5);
            System.out.println("Element at position 5 exists: " + exists);  // 输出: Element at position 5 exists: true
    
            // 设置从索引10到20的所有位置为1
            bitmap.set(10, 21);  // 参数是包含起始点和不包含终点的区间
    
            // 计算bitset中所有值为1的位的数量,相当于计算设置了的元素个数
            int count = bitmap.cardinality();
            System.out.println("Number of set bits: " + count);
    
            // 清除第5个位置
            bitmap.clear(5);
    
            // 判断位图是否为空
            boolean isEmpty = bitmap.isEmpty();
            System.out.println("Is the bitset empty after clearing some bits? " + isEmpty);
        }
    }

    相关文章

    JavaScript2024新功能:Object.groupBy、正则表达式v标志
    PHP trim 函数对多字节字符的使用和限制
    新函数 json_validate() 、randomizer 类扩展…20 个PHP 8.3 新特性全面解析
    使用HTMX为WordPress增效:如何在不使用复杂框架的情况下增强平台功能
    为React 19做准备:WordPress 6.6用户指南
    如何删除WordPress中的所有评论

    发布评论