场景题：有40亿个QQ号如何去重？仅1GB内存

场景题：有40亿个QQ号如何去重？仅1GB内存

场景题也有一些套路可以考虑，比如去重、判断给定数据是否存在

1.大数据去重

1.1 现在有40亿个QQ号如何去重？仅1GB内存

参考链接：https://juejin.cn/post/7396332696660131849

介绍2种方法：Bitmap和布隆过滤器

方法一：Bitmap

首先介绍下什么是位图Bitmap

位图是使用bit数组表示的，它只存储0或者1，因此我们可以把全部的QQ号放到位图中，当index位置为1时表示该索引位的QQ号已经存在。

数据规模分析+可行性分析

• QQ号是32位的无符号整型数据，整型数据范围是[-2^31, 2^31-1]，总计数据量有43亿，可以覆盖40亿的QQ号。直接存储40亿QQ号，需要的空间为40亿 * 4字节 = 14.9GB，超过1GB了。
• 使用Bitmap来存储，每个QQ号仅占1位，比如：QQ号23333，只需要判断Bitmap的索引位23333是否为1，为1表示数据已经存在，就能判断是否重复了。所需要内存空间： 2 ^ 32 * 1bit / 8 = 512MB

实现步骤

直接用java自带的Bitset来实现代码，假设QQ号都在整型范围内

//初始化长度为2 ^ 32位的位数组
BitSet bitmap = new BitSet(1L << 32); // 需调整JVM参数 -Xmx1g
//读取QQ号，如果该位为0，标记为1；否则数据重复
while(读取QQ号) {
    if (!bitmap.get(qq)) {
        //数据不存在才set 1，存在则去重了
        bitmap.set(qq);
    }
}
//最后，遍历Bitmap位数组，标记为1的位置就是去重后的结果了

方法二：布隆过滤器

有关布隆过滤器的介绍看下我之前写的文章：布隆过滤器原理和使用场景

• 相比较位图Bitmap，布隆过滤器使用了多个hash函数计算哈希值作为下标，在位图中的多个下标都为1时，则表示数据已存在
• 优点：加上哈希算法后，我们还可以对字符串或者对象进行存储去重，比如URL
• 缺点：存在一定的误判，因为存在哈希冲突的问题

实现方案

使用redis的布隆过滤器模块来实现

# 初始化过滤器（容量50亿，误判率0.1%）
BF.RESERVE qq_filter 0.001 5000000000
# 批量添加QQ号
BF.MADD qq_filter 12345678 87654321 ...
# 检查是否存在
BF.EXISTS qq_filter 11223344

2.数据统计

比如在线人员统计，将在线人员id为偏移值，为1表示在线；视频统计，将全部视频的id为偏移存储到Bitmap中

下篇分享在线数据统计的场景题