MySQL--腾讯面试：如何实现10亿数据判重？--其乐融融的IT技术小站

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：

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。

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：

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);
    }
}

知识扩展

BitMap 优点分析

BitMap VS int

BitMap 在 Java 中的使用

相关推荐