算法通过村第十五关-超大规模|青铜笔记|海量找数

---

前言

---

提示：并不是所有黑暗的地方，都需要光明。 --珍妮特·温特森《句子不是唯一的水果》

在大部分算法中，默认给点给的数据量都是很小的，例如只有几个或者十几个元素，但是如果遇到了相当大的数据量高达百万乃至十亿，那么处理逻辑就会发生很大差异，也就是说算法中常考的，这个很重要。

这里的题目重点是理解怎么处理，面试的时候遇上可以不用慌张，做到心中有数，这一半也不会写代码。这里做如下演示：

在海量数据中，此时普通的数组、链表、Hash、树等等结构这里就没有什么效果了，因为内存空间肯定是放不下的。而常规的递归、排序、回溯、贪心甚至动态规划等思想在大量数据面前也是不顶用的。因为执行超时，必然要另寻他法。这类问题我们要如何下手呢？这里又三种比较今典的思路：

1. 使用位存储，使用存储最大的好处是占用空间是简单存储整数的 1/8 。例如一个 40亿的整数数组，如果用整数存储需要 16GB 左右的空间，而如果使用位存储，就可以仅用 0.5GB 的空间，这样很多问题就能够解决了。
2. 如果文件实在太大，无法在能存中存放，则需要考虑将大文件分成若干小块，先处理每块的，最后支部得到想要的结果，这种方式也叫做 外部排序。 这样需要遍历全部遍历至少两次，是经典的用时间换空间的方法。
3. 堆。 在处理超大数据中找第K大，第K小，K个最大，K个最小。则特别使用堆来做。而且将超大数据换成流数据也是可以的，而且几乎是唯一的方式，口诀就是“查小用大堆，查大用小堆”。

用4KB内存寻找重复数

题目要求：给定一个数组，包含1到N的整数，N最大为32_000，数组可能还有重复值，且N的值取值不定，若只有4KB的内存可用，该如何打印数组中所有重复的元素。

分析：本身是一道海量数据问题的热身题目，如果去掉只用“4KB”的要求，我们可以先创建一个大小为N的数组，然后将这些数据放进去，但是整数最大为32_000。如果直接才用数组，则需要使用32_000 * 4B = 128KB的空间，而题目只有4kb 的内存限制，我们就必须先解决该如何存放的问题。

如果是只有4KB，那么考虑寻值，只能有 8 * 4 * 2 ^10 个比特。这个值要比32_000要大的多，因此我们可以创建一个32_000比特的维向量（比特数组），其中一个比特位位置就代表一个整数。利用这个位相量，就可以遍历整个数组，如果返现数组元素是v 那么将这个位置的v设置为1，碰到重复元素，就输出一下。

  /*** 检查重复项* @param array*/public void checkDuplicates(int[] array){BitSet bs = new BitSet(32_000);for (int i = 0; i < array.length; i++) {int num = array[i];int num0 = num - 1;if(bs.get(num0)){System.out.println(num);}else{bs.set(num0);}}}class BitSet {int[] bitSet;public BitSet(int size){// 做数据压缩this.bitSet = new int[size >> 5];}public boolean get(int pos){int wordNumber = (pos >> 5); // 除以32int bitNumber = (pos & 0x1F); // 除以32return (bitSet[bitNumber] & (1 << bitNumber)) != 0;}public void set(int pos){int wordNumber = (pos >> 5); // 除以32int bitNumber = (pos & 0x1F); // 除以32bitSet[wordNumber] |= 1 << bitNumber;}}

---

总结

提示：海量数据去重；大数据筛选；海量找数；流数据过滤；堆的应用

---

如果有帮助到你，请给题解点个赞和收藏，让更多的人看到 ~ ("▔□▔)/

如有不理解的地方，欢迎你在评论区给我留言，我都会逐一回复 ~

也欢迎你 关注我 ，喜欢交朋友，喜欢一起探讨问题。