捡田螺的小男孩 2025-06-08 08:01 广东
一个非常经典的海量数据去重问题。
分享一道网上很火的面试题：
40亿QQ号，不超过1G的内存，如何去重？
这是一个非常经典的海量数据去重问题，并且做了内存限制，最多只能1GB，本文跟大家探讨一下~~
一、常规思路
我们日常开发中,如果谈到去重,最容易想到的就是放到HashSet,直接放到HashSet就好:
Set<Long> qqSet = new HashSet<>();
qqSet.add(qqNumber); // 自动去重
但是呢,是有个1G的内存限制的! 如果放到HashSet,那40亿的QQ数据,都是在内存中的话,我们来算一下,40亿的QQ,要多大的内存:
如果每个QQ号是64位整数（8字节），那么40亿个QQ号的总存储量为：
40亿 * 8字节 = 320亿字节
转化位KB 32,000,000,000 字节/1024 = 31,250,000 KB
KB转化为MB 31,250,000 KB/ 1024 ≈ 30,517.578125 MB
MB转化为GB 30,517.578125 MB/ 1024 ≈ 29.8023223876953125 GB
那就是30GB左右,如果每个QQ号码是32位整数(4字节),则是15GB左右. 显然,都远超1GB的内存.
因此,直接放到HashSet并不可行.
因此,这道题我们需要换个思路,就是在内存有限的情况下,如何实现去重? 我们可以考虑一种更高效的数据结构来处理这个问题。
我们可以考虑BitMap（位图)来解决这个问题.
二、BitMap
1、BitMap 到底是什么
BitMap（位图）是一种非常高效的数据结构，特别适合处理大规模数据的去重和查询问题。它的基本思想是使用一个bit位来表示一个数字是否存在。
例如，如果我们有一个长度为10的BitMap，那么它可以表示数字0到9是否存在：
如果BitMap的第0位是1，表示数字0存在；
如果BitMap的第1位是1，表示数字1存在；
如果BitMap的第2位是1，表示数字2存在；
以此类推~
数字9表示的BitMap如下:
如果用BitMap,比如我要记录的QQ号码分别是9、5、2、7, 那么BitMap表示为:
显然只需要一个10位就可以表示,如果用传统方法来记录,一个整型4字节,4个QQ号码就是,4*4=16字节,然后一个字节8位,那就是 16*8=128位啦~. 可以发现用BitMap 可以大大节省存储空间.
2、用BitMap给40亿QQ去重
1）使用BitMap,40亿的QQ是否超过1GB内存
既然BitMap 可以大大节省存储空间,我们用BitMap来给40亿QQ去重,看看会不会超1G的内存.
我们来一起估算一下, 因为要40亿的QQ,那我们申请一个足够大的BitMap,假设就是40亿的位,那内存大概就是:
4,000,000,000/8 = 500,000,000
500,000,000/1024/1024/1024 ≈ 0.466GB
可以发现,只需要0.466GB的内存就足够啦~ 在内存这方面,是符合不超过1GB的限制的~
2）使用BitMap,给40亿QQ 去重流程
首先,初始化好40亿位的BitMap
其次,遍历这40亿的QQ,把每个QQ号码映射到BitMap中,给对应位置的bit,设置为1
比如,假设有个QQ号码为326443281,那么就在BitMap的对应位置,设置为1
遍历BitMap，收集所有设置为1的位对应的QQ号码,即为去重后的QQ号码。
3、BitMap去重的简单代码实现
给大家来个简单的代码模拟吧：
import java.util.*;
public class QQDeduplication {
// 位图的大小为 4,294,967,296 bits，即 0.5 GB
private static final long BITMAP_SIZE = 1L << 32; // 2^32
private static final int BYTE_SIZE = 8; // 每个字节有8位
private static List<Long> deduplicateQQNumbers(long[] qqNumbers) {
// 创建位图，使用字节数组
byte[] bitmap = new byte[(int) (BITMAP_SIZE / BYTE_SIZE)];
// 更新位图
for (long qqNumber : qqNumbers) {
if (qqNumber >= 0 && qqNumber < BITMAP_SIZE) {
// 计算字节索引和位索引
int index = (int) (qqNumber / BYTE_SIZE);
int bitPosition = (int) (qqNumber % BYTE_SIZE);
// 设置对应的位
bitmap[index] |= (1 << bitPosition);
}
}
// 收集去重后的QQ号码
List<Long> uniqueQQNumbers = new ArrayList<>();
for (int i = 0; i < bitmap.length; i++) {
for (int j = 0; j < BYTE_SIZE; j++) {
if ((bitmap[i] & (1 << j)) != 0) {
long qqNumber = (long) i * BYTE_SIZE + j;
uniqueQQNumbers.add(qqNumber);
}
}
}
return uniqueQQNumbers;
}
}
4、BitMap的优缺点
我们使用一种数据结构去解决问题,那肯定要知道它的优缺点对吧.
1）Bitmap的优点
空间效率高
相比哈希表存储原始数据，Bitmap仅用1位/元素。对于密集数据（如连续QQ号），空间利用率极高。
操作非常高效
插入和查询均为O(1)复杂度，位运算速度快，适合海量数据实时处理。
去重逻辑简单
只需遍历数据，置位存在标记，无需复杂结构。
2）Bitmap的缺点
存储空间依赖值域范围
若值域范围大但稀疏（如QQ号上限远大于实际数量），空间浪费严重。例如，若QQ号上限为1万亿，需125GB内存，难以承受。
无法存储额外信息,只能记录有还是没有
仅记录是否存在，无法保存出现次数等元数据。
三、最后
有些伙伴认为,使用布隆过滤器也可以实现,40亿的QQ号,不超过1G的内存,进行去重。大家觉得呢? 欢迎评论区留言讨论哈~
作者丨捡田螺的小男孩
来源丨公众号：捡田螺的小男孩（ID：gh_3d11c9893ca0）
dbaplus社群欢迎广大技术人员投稿，投稿邮箱：editor@dbaplus.cn
