大数据的位图是什么？

Question

大数据的位图是什么？

Answer 1

题目：对2G的数据量进行排序，这是基本要求。

数据：1、每个数据不大于8亿；2、数据类型位int；3、每个数据最多重复一次。

内存：最多用200M的内存进行操作。

我听过很多种类似问题的解法，有的是内存多次利用，有的用到了外存，我觉得这两种做法都不是比较好的思想，太慢。由于这个题目看起来没有对效率进行约束，所以这两种方法也是对的，但是我这次提出一个比较好的算法来解答此题，如果有更好的做法请赶快跟帖留言，共同讨论。希望大神们的加入。。。。。

思想：把200M的内存平分，可以开两个数组，一个数组arr存放一遍不重复的所有数据，另一个数组arr_2只存放重复的数据。存放方法是对数组中的每个数据的位进行操作。比如：18这个数，18/32=0，18就会对应arr[0]这个数组中的某一位，而每一个数组元素都是32位组成，18%32=18，也就是说arr[0]那个数的第18位对应18这个数。同样道理再来一个数：43

43/32=1,43%32=11，也就是说43对应的是arr[1]中的第11位。只要找到了对应位置，把该位置1，其余位置不变（默认为0），遍历一次数据，就会把内存中的对应位置1.如果遇到重复数据，此时就会用到第二个数组了，若本次查询该位已经为1，那么就要把arr_2这个数组中的对应位置1。在输出的时候就要同步遍历两个数组。

输出：就是一个反向还原过程，遍历内存中的每一位，该位对应的有数组下标和所处位，进行一次乘、和运算就能还原回来数据，并依次写入文件或者打印到屏幕上。

废话不多说，直接上代码，如有问题，跟帖讨论。

#include <stdio.h>
#include <stdlib.h>
#define NUM 1024*1024 //数据占用的内存大小，即存储数据的载体
#define N 1024*1024*128 //10测试正确性可以用10来测 //数据量

unsigned long int arr[NUM];
unsigned long int arr_2[NUM];
unsigned long int temp[N];//本可不必开辟这个数组的，直接从文件中读取

int main(){

int i,j,temp_num=0,temp_num_2=0,flag=0;
//清空内存
memset(arr,0,sizeof(arr));
memset(arr_2,0,sizeof(arr_2));
//得到数据,存到数组中
for(i=0;i<N;i++){
temp[i]=N-i;
temp[i++]=N-i;
}
//下边这个循环是一个排序过程，把对应位置1，如果原来是1，就把另一块内存中的对应位置1
for(i=0;i<N;i++){
if(((arr[temp[i]/32] >> (temp[i]%32)) & 0x00000001) == 1)
arr_2[temp[i]/32] |= (0x00000001<<(temp[i]%32));
arr[temp[i]/32] |= (0x00000001<<(temp[i]%32));
}
printf("\n");

for(i=0;i<NUM && flag<N;i++){
if(arr[i] == 0)
continue;
temp_num=arr[i];
for(j=0;j<32;j++){
if((temp_num&0x00000001) == 0){
temp_num=(temp_num>>1);
}
else if((temp_num&0x0001) == 1){
printf("%d ",(i<<5)+j);
temp_num=(temp_num>>1);
temp_num_2=arr[i];
flag++;
//重复数据的输出
if((temp_num_2&0x00000001) == 1){
printf("%d ",(i<<5)+j);
flag++;
}

}
}
}
printf("\n");
return 0;
}