哈希-＞模拟实现+位图应用
致前行路上的人：
要努力，但不要着急，繁花锦簇，硕果累累都需要过程！
目录
1. unordered系列关联式容器
1.1 unordered_map
1.1.1概念介绍：
1.1.2 unordered_map的接口说明
1.2unordered_set
1.3常见面试题oj
2.底层结构
2.1 哈希概念
2.2 哈希冲突
2.3哈希函数
2.4哈希冲突解决
2.4.1闭散列
2.4.2开散列
3.模拟实现
3.1哈希表的改造：
3.2unordered_map模拟实现
3.3unordered_set模拟实现
4.哈希的应用
4.1位图
4.1.1 位图概念
4.1.2 位图的实现
4.1.3 位图的应用
4.2哈希切割
4.3布隆过滤器
4.3.1布隆过滤器的提出
4.3.2布隆过滤的概念
4.3.3布隆过滤器的插入
4.2.4 布隆过滤器的查找
4.2.5 布隆过滤器删除
4.2.6如何选择哈希函数个数和布隆过滤器长度
4.2.6布隆过滤器优点
4.2.7 布隆过滤器缺陷
4.2.8布隆过滤器的应用场景
4.2.9布隆过滤器代码实现
4.2.10布隆过滤器的面试题
1. unordered系列关联式容器
在C++98中，STL提供了底层为红黑树结构的一系列关联式容器，在查询时效率可达到logN，即最差情况下需要比较红黑树的高度次，当树中的节点非常多时，查询效率也不理想。最好的查询是，进行很少的比较次数就能够将元素找到，因此在C++11中，STL又提供了4个unordered系列的关联式容器，这四个容器与红黑树结构的关联式容器使用方式基本类似，只是其底层结构不同，本文中对unordered_map和unordered_set进行介绍，unordered_multimap和unordered_multiset使用方式类型类似，后面两个相较于前两个，不同的是允许数据重复。
1.1 unordered_map
1.1.1概念介绍：
1. unordered_map是存储<key, value>键值对的关联式容器，其允许通过keys快速的索引到与其对应的value。
2. 在unordered_map中，键值通常用于唯一地标识元素，而映射值是一个对象，其内容与此键关联。键和映射值的类型可能不同。
3. 在内部,unordered_map没有对<kye, value>按照任何特定的顺序排序, 为了能在常数范围内找到key所对应的value，unordered_map将相同哈希值的键值对放在相同的桶中。
4. unordered_map容器通过key访问单个元素要比map快，但它通常在遍历元素子集的范围迭代方面效率较低。
5. unordered_map实现了直接访问操作符(operator[])，它允许使用key作为参数直接访问value。
6. 它的迭代器至少是前向迭代器。
1.1.2 unordered_map的接口说明
1. unordered_map的构造
unordered_map 构造不同格式的unordered_map对象
2. unordered_map的容量
| bool empty() const | 检测unordered_map是否为空 |
| size_t size() const | 获取unordered_map的有效元素个数 |
3. unordered_map的迭代器
| begin | 返回unordered_map第一个元素的迭代器 |
| end | 返回unordered_map最后一个元素下一个位置的迭代器 |
| cbegin | 返回unordered_map第一个元素的const迭代器 |
| cend | 返回unordered_map最后一个元素下一个位置的const迭代器 |
4. unordered_map的元素访问
| operator[] | 返回与key对应的value，没有一个默认值 |
注意：该函数中实际调用哈希桶的插入操作，用参数key与V()构造一个默认值往底层哈希桶
中插入，如果key不在哈希桶中，插入成功，返回V()，插入失败，说明key已经在哈希桶中，
将key对应的value返回。
#include <iostream>
#include <string>
#include <unordered_map>int main()
{std::unordered_map<std::string, std::string> mymap;mymap["Bakery"] = "Barbara"; // new element insertedmymap["Seafood"] = "Lisa"; // new element insertedmymap["Produce"] = "John"; // new element insertedstd::string name = mymap["Bakery"]; // existing element accessed (read)mymap["Seafood"] = name; // existing element accessed (written)mymap["Bakery"] = mymap["Produce"]; // existing elements accessed (read/written)name = mymap["Deli"]; // non-existing element: new element "Deli" inserted!mymap["Produce"] = mymap["Gifts"]; // new element "Gifts" inserted, "Produce" writtenfor (auto& x : mymap) {std::cout << x.first << ": " << x.second << std::endl;}return 0;
}运行结果：
5. unordered_map的查询
| iterator find(const K& key) | 返回key在哈希桶中的位置 |
| size_t count(const K& key) | 返回哈希桶中关键码为key的键值对的个数 |
6. unordered_map的修改操作
| insert | 向容器中插入键值对 |
| erase | 删除容器中的键值对 |
| clear | 清空容器中有效元素个数 |
| void swap(unordered_map&) | 交换两个容器中的元素 |
7. unordered_map的桶操作
| size_t bucket_count()const | 返回哈希桶中桶的总个数 |
| size_t bucket_size(size_t n)const | 返回n号桶中有效元素的总个数 |
| size_t bucket(const K& key) | 返回元素key所在的桶号 |
1.2unordered_set
unordered_set文档说明
1.3常见面试题oj
在长度 2N 的数组中找出重复 N 次的元素
class Solution {
public:int repeatedNTimes(vector<int>& nums) {size_t N = nums.size() / 2;unordered_map<int,int>m;//统计每个元素出现的次数for(auto& e : nums){m[e]++;}//找到出现N次的元素：for(auto& e : m){if(e.second == N)return e.first;}return -1;}
};349. 两个数组的交集
class Solution {
public:vector<int> intersection(vector<int>& nums1, vector<int>& nums2) {unordered_set<int>s1(nums1.begin(),nums1.end());unordered_set<int>s2(nums2.begin(),nums2.end());vector<int> result;for(auto& e : s1){if(s2.find(e) != s2.end())result.push_back(e);}return result;}
};
2.底层结构
unordered系列的关联式容器之所以效率比较高，是因为其底层使用了哈希结构。
2.1 哈希概念
顺序结构以及平衡树中，元素关键码与其存储位置之间没有对应的关系，因此在查找一个元素
时，必须要经过关键码的多次比较。顺序查找时间复杂度为O(N)，平衡树中为树的高度，即
O(log N)，搜索的效率取决于搜索过程中元素的比较次数。
理想的搜索方法：可以不经过任何比较，一次直接从表中得到要搜索的元素。
如果构造一种存储结构，通过某种函数(hashFunc)使元素的存储位置与它的关键码之间能够建立
一 一映射的关系，那么在查找时通过该函数可以很快找到该元素。
当向该结构中：
插入元素
根据待插入元素的关键码，以此函数计算出该元素的存储位置并按此位置进行存放
搜索元素
对元素的关键码进行同样的计算，把求得的函数值当做元素的存储位置，在结构中按此位置
取元素比较，若关键码相等，则搜索成功
该方式即为哈希(散列)方法，哈希方法中使用的转换函数称为哈希(散列)函数，构造出来的结构称
为哈希表(Hash Table)(或者称散列表
例如：数据集合{1，7，6，4，5，9}；
哈希函数设置为：hash(key) = key % capacity; capacity为存储元素底层空间总的大小。
用该方法进行搜索不必进行多次关键码的比较，因此搜索的速度比较快
问题：按照上述哈希方式，向集合中插入元素44，会出现什么问题
2.2 哈希冲突
不同关键字通过相同哈希哈数计算出相同的哈希地址，该种现象称为哈希冲突或哈希碰撞。
发生哈希冲突该如何处理呢？
2.3哈希函数
引起哈希冲突的一个原因可能是：哈希函数设计不够合理。
哈希函数设计原则：
~哈希函数的定义域必须包括需要存储的全部关键码，而如果散列表允许有m个地址时，其值
域必须在0到m-1之间
~哈希函数计算出来的地址能均匀分布在整个空间中
~哈希函数应该比较简单
常见哈希函数
1. 直接定址法--(常用)
取关键字的某个线性函数为散列地址：Hash（Key）= A*Key + B
优点：简单、均匀
缺点：需要事先知道关键字的分布情况
使用场景：适合查找比较小且连续的情况
2. 除留余数法--(常用)
设散列表中允许的地址数为m，取一个不大于m，但最接近或者等于m的质数p作为除数，
按照哈希函数：Hash(key) = key% p(p<=m),将关键码转换成哈希地址、
2.4哈希冲突解决
解决哈希冲突的两种方法：闭散列和开散列
2.4.1闭散列
闭散列：也叫开放定址法，当发生哈希冲突时，如果哈希表未被装满，说明在哈希表中必然还有
空位置，那么可以把key存放到冲突位置中的“下一个” 空位置中去。那如何寻找下一个空位置
呢？
1. 线性探测
现在需要插入元素44，先通过哈希函数计算哈希地址，hashAddr为4，因此44理论上应该插在该位置，但是该位置已经放了值为4的元素，即发生哈希冲突。
线性探测：从发生冲突的位置开始，依次向后探测，直到寻找到下一个空位置为止。
插入
1.通过哈希函数获取待插入元素在哈希表中的位置
2.如果该位置中没有元素则直接插入新元素，如果该位置中有元素发生哈希冲突，
使用线性探测找到下一个空位置，插入新元素
扩容：
散列表中有一个载荷因子（负载因子）= 散列表元素的个数 / 散列表的长度，载荷因子越大，产生冲突的可能性就越大，载荷因子越小，产生冲突的可能性就越小，但是可能会造成空间浪费，因此，一般建议将载荷因子控制在0.7~0.8之间
删除
采用闭散列处理哈希冲突时，不能随便物理删除哈希表中已有的元素，若直接删除元素
会影响其他元素的搜索。比如删除元素4，如果直接删除掉，44查找起来可能会受影
响。因此线性探测采用标记的伪删除法来删除一个元素。
// 哈希表每个空间给个标记
// EMPTY此位置空， EXIST此位置已经有元素， DELETE元素已经删除
enum State{EMPTY, EXIST, DELETE};线性探测的实现
template<class K>
struct HashFunc
{size_t operator()(const K& key){return (size_t)key;}
};
template<>
struct HashFunc<string>
{size_t operator()(const string& key){size_t hash = 0;for (auto& e : key){hash = hash * 131 + e;}return hash;}
};enum State
{EMPTY,EXIST,DELETE
};
template<class K,class V>
struct HashData
{pair<K, V> _kv;State _state = EMPTY;
};
template<class K, class V, class Hash = HashFunc<K>>
class HashTable
{typedef HashData<K, V> data;
public:HashTable():_n(0){_tables.resize(10);}bool Insert(const pair<K, V>& kv){if (Find(kv.first))return false;if (_n * 10 / _tables.size() >= 7){HashTable<K, V,Hash> newHT;newHT._tables.resize(_tables.size() * 2);for (auto& e : _tables){if (e._state == EXIST){newHT.Insert(e._kv);}}_tables.swap(newHT._tables);}Hash ha;size_t hashi = ha(kv.first) % _tables.size();while (_tables[hashi]._state == EXIST){//线性探测：++hashi;hashi %= _tables.size();}_tables[hashi]._kv = kv;_tables[hashi]._state = EXIST;++_n;return true;}data* Find(const K& key){Hash ha;size_t hashi = ha(key) % _tables.size();size_t starti = hashi;while (_tables[hashi]._state != EMPTY){if (_tables[hashi]._state == EXIST && _tables[hashi]._kv.first == key){return &_tables[hashi];}++hashi;hashi %= _tables.size();//极端场景下，不是存在就是删除，可能会造成死循环的问题if(hashi == starti){break;}}return nullptr;}bool Erase(const K& key){data* ret = Find(key);if (ret){ret->_state = DELETE;--_n;return true;}return false;}
private:vector<data> _tables;size_t _n = 0;
};
线性探测优点：实现非常简单，
线性探测缺点：一旦发生哈希冲突，所有的冲突连在一起，容易产生数据“堆积”，即：不同
关键码占据了可利用的空位置，使得寻找某关键码的位置需要许多次比较，导致搜索效率降
低。
2.4.2开散列
1. 开散列概念
开散列法又叫链地址法(开链法)，首先对关键码集合用散列函数计算散列地址，具有相同地
址的关键码归于同一子集合，每一个子集合称为一个桶，各个桶中的元素通过一个单链表链
接起来，各链表的头结点存储在哈希表中。
从上图可以看出，开散列中每个桶中放的都是发生哈希冲突的元素。
2. 开散列实现
template<class K>
struct HashFunc
{size_t operator()(const K& key){return (size_t)key;}
};
template<>
struct HashFunc<string>
{size_t operator()(const string& key){size_t hash = 0;for (auto& e : key){hash = hash * 131 + e;}return hash;}
};
template<class K,class V>
struct HashNode
{pair<K, V> _kv;HashNode* next;HashNode(const pair<K,V>&kv):_kv(kv),next(nullptr){}
};
template<class K,class V,class Hash=HashFunc<K>>
class HashTable
{typedef HashNode<K, V> node;
public:HashTable():_n(0){_tables.resize(10);}~HashTable(){for (size_t i = 0; i < _tables.size(); i++){node* cur = _tables[i];while (cur){node* next = cur->next;delete cur;cur = next;}_tables[i] = nullptr;}}bool Insert(const pair<K, V>& kv){//负载因子控制在1，超过就扩容if (_n == _tables.size()){/*HashTable<K, V, Hash> newHT;newHT._tables.resize(_tables.size() * 2);for (auto cur : _tables){while (cur){newHT.Insert(cur->_kv);cur = cur->next;}}_tables.swap(newHT._tables);*/vector<node*> newTable;newTable.resize(2 * _tables.size(), nullptr);for (size_t i = 0; i < _tables.size(); i++){node* cur = _tables[i];while (cur){node* next = cur->next;size_t hashi = Hash()(cur->_kv.first) % newTable.size();//头插到新表cur->next = newTable[hashi];newTable[hashi] = cur;cur = next;}_tables[i] = nullptr;}_tables.swap(newTable);}size_t hashi = Hash()(kv.first) % _tables.size();node* newNode = new node(kv);newNode->next = _tables[hashi];_tables[hashi] = newNode;++_n;return true;}node* Find(const K& key){size_t hashi = Hash()(key) % _tables.size();node* cur = _tables[hashi];while (cur){if (cur->_kv.first == key){return cur;}else{cur = cur->next;}}return nullptr;}bool Erase(const K& key){size_t hashi = Hash()(key) % _tables.size();node* prev = nullptr;node* cur = _tables[hashi];while (cur){if (cur->_kv.first == key){if (cur == _tables[hashi]){_tables[hashi] = cur->next;delete cur;}else{prev->next = cur->next;delete cur;}--_n;return true;}else{prev = cur;cur = cur->next;}}return false;}
private:vector<node*> _tables;size_t _n = 0;
};3.模拟实现
3.1哈希表的改造：
1. 模板参数列表的改造：
K:关键码类型
T: 不同容器V的类型不同，如果是unordered_map，T代表一个键值对，如果是
unordered_set,T为 K
KeyOfT: 因为V的类型不同，通过value取key的方式就不同
Hash:哈希函数仿函数对象类型，哈希函数使用除留余数法，需要将Key转换为整形数字才能
取模
2.代码实现：
template<class K>
struct HashFunc
{size_t operator()(const K& key){return (size_t)key;}
};
template<>
struct HashFunc<string>
{size_t operator()(const string& key){size_t hash = 0;for (auto& e : key){hash = hash * 131 + e;}return hash;}
};
template<class T>
struct HashNode
{T _data;HashNode<T>* next;HashNode(const T& data):_data(data),next(nullptr){}
};
template<class K,class T,class Hash,class KeyOfT>
class HashTable;
template<class K,class T,class Hash,class KeyOfT>
struct __HTiterator
{typedef HashNode<T> node;typedef __HTiterator<K, T, Hash, KeyOfT> Self;typedef HashTable<K, T, Hash, KeyOfT> HT;node* _node;HT* ht;__HTiterator(node* node, HT* ht):_node(node), ht(ht) {}T& operator*(){return _node->_data;}T* operator->(){return &_node->_data;}bool operator !=(const Self& s){return _node != s._node;}Self& operator++(){if (_node->next){_node = _node->next;}else{//当前桶走完了，走桶的下一个：KeyOfT kot;size_t hashi = Hash()(kot(_node->_data)) % ht->_tables.size();++hashi;while (hashi < ht->_tables.size()){if (ht->_tables[hashi]){_node = ht->_tables[hashi];break;}else{++hashi;}}if (hashi == ht->_tables.size())_node = nullptr;}return *this;}
};
template<class K,class T,class Hash,class KeyOfT>
class HashTable
{typedef HashNode<T> node;template<class K, class T, class Hash, class KeyOfT>friend struct __HTiterator;
public:typedef __HTiterator<K, T, Hash, KeyOfT> iterator;iterator begin(){for (size_t i = 0; i < _tables.size(); i++){if (_tables[i]){return iterator(_tables[i], this);}}return iterator(nullptr, this);}iterator end(){return iterator(nullptr, this);}HashTable():_n(0){_tables.resize(10);}~HashTable(){for (size_t i = 0; i < _tables.size(); i++){node* cur = _tables[i];while (cur){node* next = cur->next;delete cur;cur = next;}_tables[i] = nullptr;}}pair<iterator,bool> Insert(const T& data){KeyOfT kot;iterator it = Find(kot(data));if (it != end())return make_pair(it, false);//负载因子控制在1，超过就扩容if (_n == _tables.size()){/*HashTable<K, V, Hash> newHT;newHT._tables.resize(_tables.size() * 2);for (auto cur : _tables){while (cur){newHT.Insert(cur->_kv);cur = cur->next;}}_tables.swap(newHT._tables);*/vector<node*> newTable;newTable.resize(2 * _tables.size(), nullptr);for (size_t i = 0; i < _tables.size(); i++){node* cur = _tables[i];while (cur){node* next = cur->next;size_t hashi = Hash()(kot(cur->_data)) % newTable.size();//头插到新表cur->next = newTable[hashi];newTable[hashi] = cur;cur = next;}_tables[i] = nullptr;}_tables.swap(newTable);}size_t hashi = Hash()(kot(data)) % _tables.size();node* newNode = new node(data);newNode->next = _tables[hashi];_tables[hashi] = newNode;++_n;return make_pair(iterator(newNode, this), true);}iterator Find(const K& key){KeyOfT kot;size_t hashi = Hash()(key) % _tables.size();node* cur = _tables[hashi];while (cur){if (kot(cur->_data) == key){return iterator(cur, this);}else{cur = cur->next;}}return end();}bool Erase(const K& key){KeyOfT kot;size_t hashi = Hash()(key) % _tables.size();node* prev = nullptr;node* cur = _tables[hashi];while (cur){if (kot(cur->_data) == key){if (cur == _tables[hashi]){_tables[hashi] = cur->next;delete cur;}else{prev->next = cur->next;delete cur;}--_n;return true;}else{prev = cur;cur = cur->next;}}return false;}
private:vector<node*> _tables;size_t _n = 0;
};3.2unordered_map模拟实现
namespace ns
{template<class K, class V,class Hash = HashFunc<K>>class unordered_map{struct MapKeyOfT{const K& operator()(const pair<K, V>& kv){return kv.first;}};public:typedef typename HashTable<K, pair<const K, V>, Hash, MapKeyOfT>::iterator iterator;iterator begin(){return _ht.begin();}iterator end(){return _ht.end();}pair<iterator,bool> Insert(const pair<const K, V>& kv){return _ht.Insert(kv);}V& operator[](const K& key){pair<iterator, bool> ret = _ht.Insert(make_pair(key, V()));return ret.first->second;}iterator Find(const K& key){return _ht.Find(key);}iterator Erase(const K& key){return _ht.Erase(key);}private:HashTable<K, pair<const K,V>, Hash, MapKeyOfT>_ht;};3.3unordered_set模拟实现
namespace ns
{template<class K,class Hash = HashFunc<K>>class unordered_set{struct SetKeyOfT{const K& operator()(const K& key){return key;}};public:typedef typename HashTable<K, K, Hash, SetKeyOfT>::iterator iterator;iterator begin(){return _ht.begin();}iterator end(){return _ht.end();}pair<iterator,bool> Insert(const K& key){return _ht.Insert(key);}iterator Find(const K& key){return _ht.Find(key);}iterator Erase(const K& key){return _ht.Erase(key);}private:HashTable<K, K, Hash, SetKeyOfT>_ht;};4.哈希的应用
4.1位图
4.1.1 位图概念
关于位图的概念，下面通过一道面试题来进行介绍：
1. 面试题
给40亿个不重复的无符号整数，没排过序。给一个无符号整数，如何快速判断一个数是否在
这40亿个数中。【腾讯】
这道题直观的思路是使用排序+二分的方法，或者是使用红黑树，或者是使用哈希表，但是这三种方法对于40亿个整数，不合适，因为40个整数大概占16GB的空间，而普通计算机提供不了16GB的空间，所以这三种方式都被否决了！
下面介绍一种新的思路，使用位图的方式进行判断。
数据是否在给定的整形数据中，结果是在或者不在，刚好是两种状态，那么可以使用一
个二进制比特位来代表数据是否存在的信息，如果二进制比特位为1，代表存在，为0
代表不存在。比如：
4.1.2 位图的实现
namespace ns
{template<size_t N>class bit_set{public:bit_set(){_bits.resize(N / 8 + 1, 0);}void set(size_t x){size_t i = x / 8; //表示在第几个char上size_t j = x % 8; //表示在几个char的bit位上_bits[i] |= (1 << j);}void reset(size_t x){size_t i = x / 8;size_t j = x % 8;_bits[i] &= (~(1 << j));}bool test(size_t x){size_t i = x / 8;size_t j = x % 8;return _bits[i] & (1 << j);}private:vector<char> _bits;};void test_bit_set(){bit_set<-1> bs1;bs1.set(10);bs1.set(30);bs1.set(40);bs1.set(20);bs1.set(1000);bs1.set(1090);bs1.set(4);cout << bs1.test(10) << endl;cout << bs1.test(1) << endl;cout << bs1.test(40) << endl;bs1.reset(40);cout << bs1.test(40) << endl;}
}4.1.3 位图的应用
1. 给定100亿个整数，设计算法找到只出现一次的整数？
实现思路：定义两个bit_set的对象，00表示一次都没有出现，01表示出现一次，10表示出现一次以上
template<size_t N>class two_bit_set{public:void set(size_t x){if (!_bs1.test(x) && !_bs2.test(x)) // 00{_bs2.set(x);}else if (!_bs1.test(x) && _bs2.test(x)) //01{_bs1.set(x);_bs2.reset(x);}//10}void PrintOnce(){for (size_t i = 0; i < N; i++){if (!_bs1.test(i) && _bs2.test(i)){cout << i << " ";}}cout << endl;}private:bit_set<N> _bs1;bit_set<N> _bs2;};void test_two_bit_set(){two_bit_set<100> tbs;int a[] = { 3, 5, 6, 7, 8, 9, 33, 55, 67, 3, 3, 3, 5, 9, 33 };for (auto e : a){tbs.set(e);}tbs.PrintOnce();}
2. 给两个文件，分别有100亿个整数，我们只有1G内存，如何找到两个文件交集？
实现思路：定义两个bit_set的对象，将100一个整数分别设置到两个对象中，然后遍历找，如果同时在两个对象中则说明就是交集
3. 位图应用变形：1个文件有100亿个int，1G内存，设计算法找到出现次数不超过2次的所有整
数
实现思路：定义两个bit_set的对象，将100一个整数分别设置到两个对象中，00表示一次都没有出现，01表示出现一次，10表示出现2次，11表示出现3次及以上，然后遍历查找出现次数不超过两次的所有整数
4.2哈希切割
给一个超过100G大小的log file, log中存着IP地址, 设计算法找到出现次数最多的IP地址？
实现思路：可以将100G大小的文件，按照哈希切分的方式，分别切到大小为1G的小文件，然后通过map来一个一个统计次数，统计完一个，clear掉map，再统计下一个，当Ai小文件超过1个G的时候，分两种情况，第一种是这个小文件冲突的ip很多，都是不同的ip,大多数都是不重复的，map统计不下，可以换一个字符串哈希函数，递归再切分，进行统计，第二种情况是这个小文件冲突的ip很多，大多数都是重复的map可以统计
如图所示：
直接用map统计，如果是第二种情况，可以统计出来，不会报错，如果是第一种情况，map insert插入失败，相当于new结点失败，可以捕获异常
4.3布隆过滤器
4.3.1布隆过滤器的提出
我们在使用新闻客户端看新闻时，它会给我们不停地推荐新的内容，它每次推荐时要去重，去掉
那些已经看过的内容。问题来了，新闻客户端推荐系统如何实现推送去重的？ 用服务器记录了用
户看过的所有历史记录，当推荐系统推荐新闻时会从每个用户的历史记录里进行筛选，过滤掉那
些已经存在的记录。 如何快速查找呢？
1. 用哈希表存储用户记录，缺点：浪费空间
2. 用位图存储用户记录，缺点：位图一般只能处理整形，如果内容编号是字符串，就无法处理了。
3. 将哈希与位图结合，即布隆过滤器
4.3.2布隆过滤的概念
布隆过滤器是由布隆（Burton Howard Bloom）在1970年提出的 一种紧凑型的、比较巧妙的概率型数据结构，特点是高效地插入和查询，可以用来告诉你 “某样东西一定不存在或者可能存在”，它是用多个哈希函数，将一个数据映射到位图结构的多个位置中。此种方式不仅可以提升查询效率，也可以节省大量的内存空间。
存在是不准确的，因为可能不存在，但是这个位置可能和别人冲突，出现误判
不存在是准确的
4.3.3布隆过滤器的插入
布隆过滤器是一个bit数组，如图所示：
如果我们要映射一个值到布隆过滤器中，我们需要使用多个不同的哈希函数生成多个哈希值，并对每个生成的哈希值指向的 bit 位置 1，例如针对值 “baidu” 和三个不同的哈希函数分别生成了哈希值 1、4、7，则上图转变为：
Ok，我们现在再存一个值 “tencent”，如果哈希函数返回 3、4、8 的话，图继续变为：
值得注意的是，4 这个 bit 位由于两个值的哈希函数都返回了这个 bit 位，因此它被覆盖了。现在我们如果想查询 “dianping” 这个值是否存在，哈希函数返回了 1、5、8三个值，结果我们发现 5 这个 bit 位上的值为 0，说明没有任何一个值映射到这个 bit 位上，因此我们可以很确定地说 “dianping” 这个值不存在。而当我们需要查询 “baidu” 这个值是否存在的话，那么哈希函数必然会返回 1、4、7，然后我们检查发现这三个 bit 位上的值均为 1，那么我们可以说 “baidu” 存在了么？答案是不可以，只能是 “baidu” 这个值可能存在。
这是为什么呢？答案跟简单，因为随着增加的值越来越多，被置为 1 的 bit 位也会越来越多，这样某个值 “taobao” 即使没有被存储过，但是万一哈希函数返回的三个 bit 位都被其他值置位了 1 ，那么程序还是会判断 “taobao” 这个值存在。
4.2.4 布隆过滤器的查找
布隆过滤器的思想是将一个元素用多个哈希函数映射到一个位图中，因此被映射到的位置的比特
位一定为1。所以可以按照以下方式进行查找：分别计算每个哈希值对应的比特位置存储的是否为
零，只要有一个为零，代表该元素一定不在哈希表中，否则可能在哈希表中。
注意：布隆过滤器如果说某个元素不存在时，该元素一定不存在，如果该元素存在时，该元素可
能存在，因为有些哈希函数存在一定的误判。
比如：在布隆过滤器中查找"alibaba"时，假设3个哈希函数计算的哈希值为：1、3、7，刚好和其
他元素的比特位重叠，此时布隆过滤器告诉该元素存在，但实该元素是不存在的。
4.2.5 布隆过滤器删除
布隆过滤器不能直接支持删除工作，因为在删除一个元素时，可能会影响其他元素。
比如：删除上图中"tencent"元素，如果直接将该元素所对应的二进制比特位置0，“baidu”元素也
被删除了，因为这两个元素在多个哈希函数计算出的比特位上刚好有重叠。
一种支持删除的方法：将布隆过滤器中的每个比特位扩展成一个小的计数器，插入元素时给k个计
数器(k个哈希函数计算出的哈希地址)加一，删除元素时，给k个计数器减一，通过多占用几倍存储
空间的代价来增加删除操作。
注：上面的方法也不能确保一定就能够删除，因为要删除的元素，无法确保是否真正存在在布隆过滤器中
4.2.6如何选择哈希函数个数和布隆过滤器长度
很显然，过小的布隆过滤器很快所有的 bit 位均为 1，那么查询任何值都会返回“可能存在”，起不到过滤的目的了。布隆过滤器的长度会直接影响误报率，布隆过滤器越长其误报率越小。
另外，哈希函数的个数也需要权衡，个数越多则布隆过滤器 bit 位置位 1 的速度越快，且布隆过滤器的效率越低；但是如果太少的话，那我们的误报率会变高。
k 为哈希函数个数，m 为布隆过滤器长度，n 为插入的元素个数，p 为误报率
如何选择适合业务的 k 和 m 值呢，这里直接贴一个公式：
4.2.6布隆过滤器优点
1. 增加和查询元素的时间复杂度为:O(K), (K为哈希函数的个数，一般比较小)，与数据量大小无
关
2. 哈希函数相互之间没有关系，方便硬件并行运算
3. 布隆过滤器不需要存储元素本身，在某些对保密要求比较严格的场合有很大优势
4. 在能够承受一定的误判时，布隆过滤器比其他数据结构有这很大的空间优势
5. 数据量很大时，布隆过滤器可以表示全集，其他数据结构不能
6. 使用同一组散列函数的布隆过滤器可以进行交、并、差运算
4.2.7 布隆过滤器缺陷
1. 有误判率，即存在假阳性(False Position)，即不能准确判断元素是否在集合中(补救方法：再
建立一个白名单，存储可能会误判的数据)
2. 不能获取元素本身
3. 一般情况下不能从布隆过滤器中删除元素
4. 如果采用计数方式删除，可能会存在计数回绕问题
4.2.8布隆过滤器的应用场景
1.不需要一定准确的场景
2.可以在注册昵称的时候判重
如图所示：
当客户端要查询某个id是否存在的时候，首先在布隆过滤器中查找，查找结果为不在就可以直接返回了，如果查找的结果在，就到数据库外设中查找，这种方式就大大提高了查询效率
4.2.9布隆过滤器代码实现
#include<iostream>
#include<string>
#include<vector>
#include<bitset>
#include<stdlib.h>
using namespace std;
namespace ns
{struct BKDRHash{size_t operator()(const string& s){// BKDRsize_t value = 0;for (auto ch : s){value *= 31;value += ch;}return value;}};struct APHash{size_t operator()(const string& s){size_t hash = 0;for (long i = 0; i < s.size(); i++){if ((i & 1) == 0){hash ^= ((hash << 7) ^ s[i] ^ (hash >> 3));}else{hash ^= (~((hash << 11) ^ s[i] ^ (hash >> 5)));}}return hash;}};struct DJBHash{size_t operator()(const string& s){size_t hash = 5381;for (auto ch : s){hash += (hash << 5) + ch;}return hash;}};//N是最多存储的元素个数，X：平均存储一个值，开辟X个位template<size_t N,size_t X,class K = string,class HashFunc1 = BKDRHash,class HashFunc2 = APHash,class HashFunc3 = DJBHash>class BloomFilter{public:void set(const K& key){size_t hashi1 = HashFunc1()(key) % (N * X);size_t hashi2 = HashFunc2()(key) % (N * X);size_t hashi3 = HashFunc3()(key) % (N * X);_bs.set(hashi1);_bs.set(hashi2);_bs.set(hashi3);}bool test(const K& key){size_t hashi1 = HashFunc1()(key) % (N * X);if (!_bs.test(hashi1))return false;size_t hashi2 = HashFunc1()(key) % (N * X);if (!_bs.test(hashi2))return false;size_t hashi3 = HashFunc1()(key) % (N * X);if (!_bs.test(hashi3))return false;//前面不存在判读都是准确的，不存在误判return true; //可能会存在误判，映射的几个位置冲突}private:bitset<N* X> _bs;};void test_bloomfilter1(){string str[] = { "猪八戒", "孙悟空", "沙悟净", "唐三藏", \\"白龙马1","1白龙马","白1龙马","白11龙马","1白龙马1" };BloomFilter<10,5> bf;for (auto& str : str){bf.set(str);}for (auto& s : str){cout << bf.test(s) << endl;}cout << endl;srand(time(0));for (const auto& s : str){cout << bf.test(s + to_string(rand())) << endl;}}void test_bloomfilter2(){srand(time(0));const size_t N = 100000;BloomFilter<N,6> bf;std::vector<std::string> v1;std::string url = "https://www.cnblogs.com/-clq/archive/2012/05/31/2528153.html";for (size_t i = 0; i < N; ++i){v1.push_back(url + std::to_string(i));}for (auto& str : v1){bf.set(str);}// v2跟v1是相似字符串集，但是不一样std::vector<std::string> v2;for (size_t i = 0; i < N; ++i){std::string url = "https://www.cnblogs.com/-clq/archive/2012/05/31/2528153.html";url += std::to_string(999999 + i);v2.push_back(url);}size_t n2 = 0;for (auto& str : v2){if (bf.test(str)){++n2;}}cout << "相似字符串误判率:" << (double)n2 / (double)N << endl;// 不相似字符串集std::vector<std::string> v3;for (size_t i = 0; i < N; ++i){string url = "zhihu.com";url += std::to_string(i + rand());v3.push_back(url);}size_t n3 = 0;for (auto& str : v3){if (bf.test(str)){++n3;}}cout << "不相似字符串误判率:" << (double)n3 / (double)N << endl;}
}4.2.10布隆过滤器的面试题
1. 给两个文件，分别有100亿个query，我们只有1G内存，如何找到两个文件交集？分别给出
精确算法和近似算法
近似算法：
可以使用布隆过滤器，将一个文件的内容都set到布隆过滤器当中，然后遍历另一个文件依次查找，如果存在就说明是交集。
精确算法：
将两个文件的内容，分别通过哈希切分的方式，切分成一个一个的小文件，然后将小文件放到map中，进行找交集。
切分的时候存在的两个问题：
1.切分完之后的文件大小超过1G,大多数都是不重复的，可以换一个哈希切分函数，递归在切分
2.切分完之后的文件大小超过1G