位图的基本介绍
概念
什么是位图?BitMap,大家直译为位图. 我的理解是:位图是内存中连续的二进制位(bit),可以用作对大量整形做去重和统计.
引入一个小例子来帮助理解一下:
假如我们要存储三个int数字 (1,3,5),在java中我们用一个int数组来存储,那么占用了12个字节.但是我们申请一个bit数组的话.并且把相应下标的位置为1,也是可以表示相同的含义的,比如
下标 |
0 |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
二进制值 |
0 |
1 |
0 |
1 |
0 |
1 |
0 |
0 |
可以看到,对应于1,3,5为下标的bit上的值为1,我们或者计算机也是可以get到1,3,5这个信息的.
优势
那么这么做有什么好处呢?感觉更麻烦了呀,下面这种存储方式,在申请了bit[8]的场景下才占用了一个字节,占用内存是原来的12分之一,当数据量是海量的时候,比如40亿个int,这时候节省的就是10几个G的内存了.
这就引入了位图的第一个优势,占用内存小.
再想一下,加入我们现在有一个位图,保存了用户今天的签到数据.下标可以是用户的ID.
A:
用户ID |
0 |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
二进制值 |
0 |
1 |
0 |
1 |
0 |
1 |
0 |
0 |
这代表了用户(1,3,5)今天签到了.
当然还有昨天的位图,
B:
用户ID |
0 |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
二进制值 |
0 |
1 |
1 |
1 |
0 |
0 |
0 |
1 |
这代表了用户(1,2,3,7)昨天签到了.
我们现在想求:
- 昨天和今天都签到的用户.
- 昨天或者今天签到的用户.
在关系型数据库中存储的话,这将是一个比较麻烦的操作,要么要写一些表意不明的SQL语句,要么进行两次查询,然后在内存中双重循环去判断.
而使用位图就很简单了,A & B, A | B 即可.上面的操作明显是一个集合的与或操作,而二进制天然就支持逻辑操作,且众所周知猫是液体.错了,众多周知是计算机进行二进制运算的效率很高.
这就是位图的第二个优点: 支持与或运算且效率高.
哇,这么完美,那么哪里可以买到呢?,那么有什么缺点呢?
不足
当然有,位图不能很方便的支持非运算,(当然,关系型数据库支持的也不好).这句话可能有点难理解.继续举个例子:
我们想查询今天没有签到的用户,直接对位图进行取非是不可以的.
对今天签到的位图取非得到的结果如下:
用户ID |
0 |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
二进制值 |
1 |
0 |
1 |
0 |
1 |
0 |
1 |
1 |
这意味着今天(0,2,4,6,7)用户没有签到吗?不是的,存在没有7(任意数字)号用户的情况,或者他注销了呢.
这是因为位图只能表示布尔信息,即true/false.他在这个位图中,表示的是XX用户今天有签到或者没有签到,但是不能额外的表达,xx用户存在/不存在这个状态了.
但是我们可以曲线救国,首先搞一个全集用户的位图.比如:
全集:
用户ID |
0 |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
二进制值 |
1 |
1 |
1 |
1 |
1 |
0 |
1 |
0 |
然后用全集的位图和签到的位图做异或操作,相同则为0,不相同则为1.
该业务的逻辑为: 用户存在和是否签到两个bool值,共四种组合.
用户存在,且签到了. 两个集合的对应位都为1,那么结果就为0. 用户存在,但是没签到. 全集对应位为1,签到为0,所以结果是1. 用户不存在,那么必然没可能签到, 两个集合的对应位都是0,结果为0.
所以结果中,为1的只有一种可能:用户存在且没有签到,正好是我们所求的结果.
A ^ 全集:
用户ID |
0 |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
二进制值 |
1 |
0 |
1 |
0 |
1 |
0 |
1 |
0 |
此外,位图对于稀疏数据的表现不是很好,(当然聪明的大佬们已经基本解决掉了这个问题).原生的位图来讲,如果我们只有两个用户,1号和100000000号用户,那么直接存储int需要8个字节也就是32个bit,而用位图存储需要1亿个bit.当数据量少,且跨度极大也就是稀疏的时候,原生的位图不太适合.
总结
那么我们来做一下总结:
位图是用二进制位来存储整形数据的一种数据结构,在很多方面都有应用,尤其是在大数据量的场景下,节省内存及提高运算效率十分实用.
他的优点有:
- 节省内存. -> 因此在大数据量的时候更加显著.
- 与或运算效率高. ->可以快速求交集和并集.
缺点有:
- 不能直接进行非运算. -> 根本原因是位图只能存储一个布尔信息,信息多了就需要借助全量集合等数据辅助.
- 数据稀疏时浪费空间. -> 这个不用很担心,后面会讲到大佬们的解法,基本可以解决掉.
- 只能存储布尔类型. -> 有限制,但是业务中很多数据都可以转换为布尔类型.比如上面的例子中, 业务原意:用户每天的签到记录,以用户为维度. 我们可以转换为: 每天的每个用户是否签到,就变为了布尔类型的数据.
Java中的位图
上面讲了位图的原理,那么我们先来自己手动实现一个!
简陋版本
说明:因为后面还有JDK版本,所以这里只实现了很简陋的版本,方便理解位图的核心原理即可.这个简陋版本完全不可以直接使用,能跑,但是在很多情况下都会直接报错.
虽然简陋,但是必须的还是要有.
构造方法
写了一个仅支持bit数量的构造参数. 因为我们是用int数组来保存实际的数据,所以对传入的值右移5(相当于除以32,因为int是32位的嘛)就是int数组的大小.
set方法
支持将某一个位设置为true/false.
为了实现set-true,其实是有粗暴的符合人类思路的逻辑的,比如当调用set(5,true)的时候,我们将int数字转化为二进制字符串,得到000000000000000000000000000000(应该是32个我没数),然后将其右边第六位置为1,得到000000000000000000000000100000,然后再转回int数字.
这个方法很符合位图的直接定义,也很好理解,但是对于计算机来说,太麻烦了,而且过程中需要一个String,占用太多的内存空间了.
计算机更喜欢使用或运算来解决. 假设现有数字为3,即000000000000000000000000001000,这时候我们调用了set(10,true),怎么办呢,首先使用左移,将第11位置为1,然后与原来的值进行或操作.像下面这样子:
原来值 : 0000000000000000000000000010001右移10位: 000000000000000000010000000000或操作的结果: 000000000000000000010000001000 ----> 可以直接表示 3 和 10 两个位上都为1了.复制代码
设置某一个位为false,和上面的流程不太一样.除去粗暴的办法之外,还可以 对1右移x位的非区域.很拗口,下面是示例:
我们将3上的设为0.
原来值 : 000000000000000000010000001000 ----> 10和3上为1,1右移3位: 0000000000000000000000000010001右移3位取非后: 111111111111111111111111110111原来的值与取非后取与: 000000000000000000010000000000 ----> 只有10上为1了.复制代码
get方法
获取某个位上的值.
当然也可以用粗暴的转换二进制字符串解决,但是使用与操作更加快速且计算机友好.
对set方法中的例子来说,设置了3和10之后,如果获取10上的值,可以:
当前值: 0000000000000000000100000010001右移10位: 000000000000000000010000000000与操作的结果: 000000000000000000010000000000 ---> 只要这个数字不等于0,即说明10上为1,等于0则为0.复制代码
实际的代码加注释如下:
/** * Created by pfliu on 2019/07/02. */public class BitMapTest { // 实际使用int数组存储 private int[] data; /** * 构造方法,传入预期的最大index. */ public BitMapTest(int size) { this.data = new int[size >> 5]; } /** * get 方法, 传入要获取的index, 返回bool值代表该位上为1/0 */ public boolean get(int bitIdx) { return (data[bitIdxToWorkIdx(bitIdx)] & (1 << bitIdx)) != 0; } /** * 将对应位置的值设置为传入的bool值 */ public void set(int idx, boolean v) { if (v) { set(idx); } else { clear(idx); } } // 将index的值设置为1 private void set(int idx) { data[bitIdxToWorkIdx(idx)] |= 1 << idx; } // 将index上的值设置为0 private void clear(int bitIdx) { data[bitIdxToWorkIdx(bitIdx)] &= ~(1L << bitIdx); } // 根据bit的index获取它存储的实际int在数组中的index private int bitIdxToWorkIdx(int bitIdx) { return bitIdx >> 5; } public static void main(String[] args) { BitMapTest t = new BitMapTest(100); t.set(10, true); System.out.println(t.get(9)); System.out.println(t.get(10)); }}复制代码
JDK版本(BitSet源码阅读)
JDK中对位图是有实现的,实现类为BitSet,其中大致思想和上面实现的简陋版本类似,只是其内部数据是使用long数组来存储,此外加了许多的容错处理.下面看一下源码.还是按照方法分类来看.
常量及变量
// long数组,64位的long是2的6次方 private final static int ADDRESS_BITS_PER_WORD = 6; // 每一个word的bit数量 private final static int BITS_PER_WORD = 1 << ADDRESS_BITS_PER_WORD; // 存储数据的long数组 private long[] words; // 上面的数组中使用到了的word的个数 private transient int wordsInUse = 0; // 数组的大小是否由用户指定的(注释里写明了:如果是true,我们假设用户知道他自己在干什么) private transient boolean sizeIsSticky = false;复制代码
构造方法及工厂方法
BitSet提供了两个公开的构造方法以及四个公开的工厂方法,分别支持从long[],LongBuffer,bytes [], ByteBuffer中获取BitSet实例.
各个方法及其内部调用的方法如下:
// ---------构造方法------- // 无参的构造方法,初始化数组为长度为64个bit(即一个long)以及设置sizeIsSticky为false. public BitSet() { initWords(BITS_PER_WORD); sizeIsSticky = false; } // 根据用户传入的bit数量进行初始化,且设置sizeIsSticky为true. public BitSet(int nbits) { // nbits can't be negative; size 0 is OK if (nbits < 0) throw new NegativeArraySizeException("nbits < 0: " + nbits); initWords(nbits); sizeIsSticky = true; } // ---------构造方法的调用链 ------- // 初始化数组 private void initWords(int nbits) { words = new long[wordIndex(nbits-1) + 1]; } // 根据bit数量获取long数组的大小,右移6位即可. private static int wordIndex(int bitIndex) { return bitIndex >> ADDRESS_BITS_PER_WORD; } // ---------工厂方法,返回BitSet实例 ------- // 传入long数组 public static BitSet valueOf(long[] longs) { int n; for (n = longs.length; n > 0 && longs[n - 1] == 0; n--) ; return new BitSet(Arrays.copyOf(longs, n)); } // 传入LongBuffer public static BitSet valueOf(LongBuffer lb) { lb = lb.slice(); int n; for (n = lb.remaining(); n > 0 && lb.get(n - 1) == 0; n--) ; long[] words = new long[n]; lb.get(words); return new BitSet(words); } // 传入字节数组 public static BitSet valueOf(byte[] bytes) { return BitSet.valueOf(ByteBuffer.wrap(bytes)); } // 传入ByteBuffer public static BitSet valueOf(ByteBuffer bb) { bb = bb.slice().order(ByteOrder.LITTLE_ENDIAN); int n; for (n = bb.remaining(); n > 0 && bb.get(n - 1) == 0; n--) ; long[] words = new long[(n + 7) / 8]; bb.limit(n); int i = 0; while (bb.remaining() >= 8) words[i++] = bb.getLong(); for (int remaining = bb.remaining(), j = 0; j < remaining; j++) words[i] |= (bb.get() & 0xffL) << (8 * j); return new BitSet(words); }复制代码
set方法
BitSet提供了两类set方法,
- 单点set. 将某个index设置为tue/false.
- 范围set. 将某个范围值设置为tue/false.
因此BitSet有四个重要的set方法.
// 将某个index的值设置为true. 使用和上面自己实现的简陋版本相同的或操作. public void set(int bitIndex) { if (bitIndex < 0) throw new IndexOutOfBoundsException("bitIndex < 0: " + bitIndex); int wordIndex = wordIndex(bitIndex); expandTo(wordIndex); words[wordIndex] |= (1L << bitIndex); // Restores invariants checkInvariants(); } // 将某个index设置为传入的值,注意当传入值为false的时候,调用的是clear方法. public void set(int bitIndex, boolean value) { if (value) set(bitIndex); else clear(bitIndex); } // 将index上bit置为0 public void clear(int bitIndex) { if (bitIndex < 0) throw new IndexOutOfBoundsException("bitIndex < 0: " + bitIndex); int wordIndex = wordIndex(bitIndex); if (wordIndex >= wordsInUse) return; words[wordIndex] &= ~(1L << bitIndex); recalculateWordsInUse(); checkInvariants(); } // 将from->to之间的所有值设置为true public void set(int fromIndex, int toIndex) { checkRange(fromIndex, toIndex); if (fromIndex == toIndex) return; // Increase capacity if necessary int startWordIndex = wordIndex(fromIndex); int endWordIndex = wordIndex(toIndex - 1); expandTo(endWordIndex); long firstWordMask = WORD_MASK << fromIndex; long lastWordMask = WORD_MASK >>> -toIndex; if (startWordIndex == endWordIndex) { // Case 1: One word words[startWordIndex] |= (firstWordMask & lastWordMask); } else { // Case 2: Multiple words // Handle first word words[startWordIndex] |= firstWordMask; // Handle intermediate words, if any for (int i = startWordIndex+1; i < endWordIndex; i++) words[i] = WORD_MASK; // Handle last word (restores invariants) words[endWordIndex] |= lastWordMask; } checkInvariants(); } // 将from->to之间的所有值设置为传入的值,当传入的值为false的适合,调用的是下面的clear. public void set(int fromIndex, int toIndex, boolean value) { if (value) set(fromIndex, toIndex); else clear(fromIndex, toIndex); } // 将范围内的bit置为0 public void clear(int fromIndex, int toIndex) { checkRange(fromIndex, toIndex); if (fromIndex == toIndex) return; int startWordIndex = wordIndex(fromIndex); if (startWordIndex >= wordsInUse) return; int endWordIndex = wordIndex(toIndex - 1); if (endWordIndex >= wordsInUse) { toIndex = length(); endWordIndex = wordsInUse - 1; } long firstWordMask = WORD_MASK << fromIndex; long lastWordMask = WORD_MASK >>> -toIndex; if (startWordIndex == endWordIndex) { // Case 1: One word words[startWordIndex] &= ~(firstWordMask & lastWordMask); } else { // Case 2: Multiple words // Handle first word words[startWordIndex] &= ~firstWordMask; // Handle intermediate words, if any for (int i = startWordIndex+1; i < endWordIndex; i++) words[i] = 0; // Handle last word words[endWordIndex] &= ~lastWordMask; } recalculateWordsInUse(); checkInvariants(); }复制代码
这里有一个需要注意点,那就是当传入的值为true/fasle的时候,处理逻辑是不同的.具体的逻辑见上面简陋版本中的示例.
get方法
BitSet提供了一个获取单个位置bit值的方法,以及一个范围获取,返回一个新的BitSet的方法.
// 获取某个位置的bit值 public boolean get(int bitIndex) { if (bitIndex < 0) throw new IndexOutOfBoundsException("bitIndex < 0: " + bitIndex); checkInvariants(); int wordIndex = wordIndex(bitIndex); return (wordIndex < wordsInUse) && ((words[wordIndex] & (1L << bitIndex)) != 0); } // 返回一个子集,包含传入范围内的bit public BitSet get(int fromIndex, int toIndex) { checkRange(fromIndex, toIndex); checkInvariants(); int len = length(); // If no set bits in range return empty bitset if (len <= fromIndex || fromIndex == toIndex) return new BitSet(0); // An optimization if (toIndex > len) toIndex = len; BitSet result = new BitSet(toIndex - fromIndex); int targetWords = wordIndex(toIndex - fromIndex - 1) + 1; int sourceIndex = wordIndex(fromIndex); boolean wordAligned = ((fromIndex & BIT_INDEX_MASK) == 0); // Process all words but the last word for (int i = 0; i < targetWords - 1; i++, sourceIndex++) result.words[i] = wordAligned ? words[sourceIndex] : (words[sourceIndex] >>> fromIndex) | (words[sourceIndex+1] << -fromIndex); // Process the last word long lastWordMask = WORD_MASK >>> -toIndex; result.words[targetWords - 1] = ((toIndex-1) & BIT_INDEX_MASK) < (fromIndex & BIT_INDEX_MASK) ? /* straddles source words */ ((words[sourceIndex] >>> fromIndex) | (words[sourceIndex+1] & lastWordMask) << -fromIndex) : ((words[sourceIndex] & lastWordMask) >>> fromIndex); // Set wordsInUse correctly result.wordsInUse = targetWords; result.recalculateWordsInUse(); result.checkInvariants(); return result; }复制代码
逻辑操作
JDK实现的位图当然是有逻辑操作的,主要支持了与,或,异或,与非四种操作,由于代码不难,这里就不贴代码了,简略的贴一下API.
// 与操作 public void and(BitSet set); // 或操作 public void or(BitSet set); // 异或操作 public void xor(BitSet set); // 与非操作 public void andNot(BitSet set);复制代码
到这里,BitSet的源码就读完了,但是有没有发现一个问题 ? 前面说的稀疏数据的问题并没有得到解决,别急,下面就来了.
EWAHCompressedBitmap
这是google开发的javaEWAH包中的一个类.名字中的EWAH = Enhanced Word-Aligned Hybrid.而Compressed是指压缩.
复习一下稀疏数据的问题,假设我们在一个位图中,首先set(1),然后set(1亿)会怎样?
我们使用JDK中的BitSet来试一下,在运行过程中打断点看一下内部的数组是什么样子.如下图:
将其序列化输出到文件中,文件大小如下图:
可以看到,我们为了保存1和1亿这两个数字,花费了一个一千多万长度的long数组,序列化后占用内存将近200m.这是不科学的.
接下来就是EWAHCompressedBitmap了,名字里面都带了压缩,那么想必表现不错.
可以看到long数组的长度仅仅为4,且输出的文件大小为96byte.
这就很符合预期了.
在EWAHCompressedBitmap中,数据也是使用long数组来保存的,不过对每一个long有类别的定义,Literal Word和Running Length Word.
- Literal Word: 存储真正的bit位.
- Running Length Word: 存储跨度信息.
什么是跨度信息呢? 举个例子:
在刚才使用BitSet存储1亿的时候,截图中long数组有一千多万个0,以及之后的一个值.
使用BitSet存储1和1亿(2048为虚拟值,不想算了):
long |
long |
long |
long |
long |
long |
long |
long |
long |
long |
long |
long |
2 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
...1千万个0呢 |
0 |
0 |
2048 |
而在EWAHCompressedBitmap中,则是类似下面这样:
long |
long |
long |
2 |
一千万个0 |
2048 |
这样看起来好像没什么区别....但是在BitSet中,一千万个0是真的使用了一千万个long来存储的.而在EWAHCompressedBitmap中,这个信息使用一个long来存储,long的值表示具体有多少个0在这个区间内.
这样子做,点题了.与名字中的压缩相对应.将连续的0或者1进行压缩,以节省空间.
这样做有没有什么副作用呢?有的,当你的每一次插入都在一个Running Length Word上,也就是每一次插入都涉及到了Running Length Word的分裂,会降级性能,因此官方建议最好数据的插入从小到大进行.
EWAHCompressedBitmap基本解决了稀疏数据的问题,而当数据很稠密的时候,他的压缩率没有那么好,但是通常也不会差于不压缩的存储方式,因此在日常的使用中,还是建议大家使用这个类,除非你很清楚且能确保自己的数据不会过于稀疏.
总结
在本节,我们手动实现了一个极其简陋的位图,然后阅读了JDK中位图实现类BitSet的源码,然后分析了如何使用EWAHCompressedBitmap来解决稀疏数据的问题,对于EWAHCompressedBitmap的源码具体实现没有详细分析,有兴趣的朋友可以自己去查看.
Java语言使用者广泛,因此对于位图的实现,网上各种版本都有,既有大厂维护的开源版本,也有个人编写的版本.在使用时也不用完全局限于EWAHCompressedBitmap,可以使用各种魔改版本,由于位图的实现逻辑不是特别复杂,因此在使用前清楚其具体的实现逻辑即可.
Redis中的位图
Redis是支持位图的,但是位图并不是一个单独的数据结构,而是在String类型上定义的一组面向位的操作指令.也就是说,当你使用Redis位图时,其实底层存储的是Redis的string类型.因此:
- 由于Redis的string是二进制安全的,所以用它当做位图的存储方式是可行的.
- Redis 的String类型最大是512Mb.所以Redis的单个位图只能存储2的32个次方个int.这应该是够用了.(不够用的话可以分key,用前缀来搞.)
- 由于底层是string,因此redis是没有对稀疏数据进行处理的,因此在使用时要额外注意这一点,防止这个key拖垮redis服务器.
Redis支持的操作如下:
- getbit: 获取某个key的某个位置的值. getbit key offset.
- setbit: 设置某个位置的值. setbit key offset value.
- bitcount: 计算某个key中为1的bit数量.支持范围. bitcount key start end
- bitpos: 返回范围内第一个为特定bit的位置. bitpos key bit(0/1) start end
- bitop: 逻辑运算,支持四种逻辑运算,和上面BitSet支持的四种一样,具体的命令如下:
BITOP AND destkey srckey1 srckey2 srckey3 ... srckeyNBITOP OR destkey srckey1 srckey2 srckey3 ... srckeyNBITOP XOR destkey srckey1 srckey2 srckey3 ... srckeyNBITOP NOT destkey srckey复制代码
其中destkey是结果存储的key,其余的srckey是参与运算的来源.
应用场景
应用场景其实是很考验人的,不能学以致用,在程序员行业里基本上就相当于没有学了吧...
经过自己的摸索以及在网上的浏览,大致见到了一些应用场景,粗略地写出来,方便大家理解并且以后遇到类似的场景可以想到位图并应用他!
用户签到/抢购等唯一限制
用户签到每天只能一次,抢购活动中只能购买一件,这些需求导致的有一种查询请求,给定的id做没做过某事.而且一般这种需求都无法接受你去查库的延迟.当然你查一次库之后在redis中写入:key = 2345 , value = 签到过了.也是可以实现的,但是内存占用太大.
而使用位图之后,当2345用户签到过/抢购过之后,在redis中调用setbit 2019-07-01-签到 2345 1即可,之后用户的每次签到/抢购请求进来,只需要执行相应的getbit即可拿到是否放行的bool值.
这样记录,不仅可以节省空间,以及加快访问速度之外,还可以提供一些额外的统计功能,比如调用bitcount来统计今天签到总人数等等.统计速度一般是优于关系型数据库的,可以用来做实时的接口查询等.
用户标签等数据
大数据已经很普遍了,用户画像大家也都在做,这时候需要根据标签分类用户,进行存储.方便后续的推荐等操作.
而用户及标签的数据结构设计是一件比较麻烦的事情,且很容易造成查询性能太低.同时,对多个标签经常需要进行逻辑操作,比如喜欢电子产品的00后用户有哪些,女性且爱旅游的用户有哪些等等,这在关系型数据库中都会造成处理的困难.
可以使用位图来进行存储,每一个标签存储为一个位图(逻辑上,实际上你还可以按照尾号分开等等操作),在需要的时间进行快速的统计及计算. 如:
用户 |
0 |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
爱旅游 |
1 |
0 |
0 |
1 |
0 |
0 |
1 |
0 |
0 |
可以清晰的统计出,0,3,6用户喜欢旅游.
用户 |
0 |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
00后 |
1 |
1 |
0 |
0 |
0 |
0 |
1 |
0 |
0 |
用户0,1,6是00后.
那么对两个位图取与即可得到爱旅游的00后用户为0,6.
总结
总之,bitmap可以高效且节省空间的存储与用户ID相关联的布尔数据.常见的可以应用其做大量数据的去重以及统计.更多的应用就开发你的想象力吧.
原文链接:https://juejin.cn/post/6844903879201718280
评论留言