2023 年的 Node.js 生態系統
隨著技術的不斷演進和創新，Node.js 在 2023 年達到了一個新的高度。Node.js 擁有一個龐大的生態系統，可以幫助開發人員更快地實現復雜的應用。本文就來看看 Node.js 最新的生
在進行大數據開發時，我們可以使用布隆過濾器和Redis中的HyperLogLog來進行大數據的判重和數量統計，雖然這兩種方法節省內存空間并且效率很高，但是也存在一些誤差。如果需要100%準確的話，我們可以使用BitMap來存儲數據。
BitMap 位圖索引數據結構被廣泛地應用于數據存儲和數據搜索中，但是對于存儲較為分散的數據時，BitMap會占用比較大的內存空間，因此我們更偏向于使用 Roaring BitMap稀疏位圖索引進行存儲。同時，Roaring BitMap廣泛應用于數據庫存儲和大數據引擎中，例如Hive，Spark，Doris，Kylin等。
下文將分別介紹 BitMap 和 Roaring BitMap 的原理及其相關應用。
BitMap的基本思想就是用bit位來標記某個元素對應的value，而key就是這個元素。
例如，在下圖中，是一個字節代表的8位，下標為1,2,4,6的bit位的值為1，則該字節表示{1,2,4,6}這幾個數。
在Java中，1個int占用4個字節，如果用int來存儲這四個數字的話，那么將需要4 * 4 = 16字節。
BitMap可以用于快速排序，查找，及去重等操作。優點是占用內存少（相較于數組）和運算效率高，但是缺點也非常明顯，無法存儲重復的數據，并且在存儲較為稀疏的數據時，浪費存儲空間較多。
為了解決BitMap存儲較為稀疏數據時，浪費存儲空間較多的問題，我們引入了稀疏位圖索引Roaring BitMap。Roaring BitMap 有較高的計算性能及壓縮效率。下面簡單介紹一下Roaring BitMap的基本原理。
Roaring BitMap處理int型整數，將32位的int型整數分為高16位和低16位分別進行處理，高16位作為索引分片，而低16位用于存儲實際數據。其中每個索引對應一個數據桶（bucket），那么一共可以包含2^16 = 65536個數據塊。每個數據桶使用container容器來存儲低16位的部分，每個數據桶最多存儲2^16 = 65536個數據。
如上圖所示，高16位作為索引查找具體的數據塊，當前索引值為0，低16位作為value進行存儲。
Roaring BitMap在進行數據存儲時，會先根據高16位找到對應的索引key（二分查找），低16位作為key對應的value，先通過key檢查對應的container容器，如果發現container不存在的話，就先創建一個key和對應的container，否則直接將低16位存儲到對應的container中。
Roaring BitMap的精妙之處在于使用不同類型的container，接下來將對其進行介紹。
1.ArrayContainer
顧名思義，ArrayContainer直接采用數組來存儲低16位數據，沒有采用任何數據壓縮算法，適合存儲比較稀疏的數據，在Java中，使用short數組來存儲，并且占用的內存空間大小和數據量成線性關系。由于short為2字節，因此n個數據為2n字節。ArrayContainer采用二分查找定位有序數組中的元素，因此時間復雜度為O(logN)。ArrayContainer的最大數據量為4096, 4096 * 2b = 8kb。
2.BitMapContainer
BitMapContainer采用BitMap的原理，就是一個沒有經過壓縮處理的普通BitMap，適合存儲比較稠密的數據，在Java中使用Long數組存儲低16位數據，每一個bit位表示一個數字。由于每個container需要存儲2^16 = 65536個數據，如果通過BitMap進行存儲的話，需要使用2^16個bit進行存儲，即8kb的數據空間。
可以從下圖中看出ArrayContainer和BitMapContainer的內存空間使用關系，當數據量小于4096時，使用ArrayContainer比較合適，當數據量大于等于4096時，使用BitMapContainer更佳。
因為BitMap直接使用位運算，所以BitMapContainer的時間復雜度為O(1)。
3.RunContainer
RunContainer采用Run-Length Encoding 行程長度編碼進行壓縮，適合存儲大量連續數據。Java中使用short數組進行存儲。連續bit位程度越高的話越節省存儲空間，最佳場景下（65536個數據全為1）只需要存儲4字節。最差場景為所有數據都不連續，所有存儲數據位置為奇數或者偶數，這種場景需要存儲128kb。由于采用二分查找算法定位元素，因此時間復雜度為O(logN)。
行程長度編碼即的原理是對連續出現的數字進行壓縮，只記錄初始數字和后續連續數量。
例如：[1,2,3,4,5,8,9,10]使用編碼后的數據為[1,4,8,2]。
Java 里可以使用runOptinize()方法來對比RunContainer和其他兩個Container存儲空間大小，如果使用RunContainer存儲空間更佳則會進行轉化。
根據上面三個Container類型我們可以得知如何進行選擇：
介紹完Roaring BitMap的三種container類型以后，讓我們了解一下，Roaring BitMap的相關源碼。這里介紹一下Java中增加元素的源碼實現。
public void add(final int x) { final short hb = Util.highbits(x); final int i = highLowContainer.getIndex(hb); if (i >= 0) { highLowContainer.setContainerAtIndex(i, highLowContainer.getContainerAtIndex(i).add(Util.lowbits(x))); } else { final ArrayContainer newac = new ArrayContainer(); highLowContainer.insertNewKeyValueAt(-i - 1, hb, newac.add(Util.lowbits(x))); } }Roaring BitMap首先獲取添加元素的高16位，然后再調用getIndex獲取高16位對應的索引，如果索引大于0，表示已經創建該索引對應的container，故直接添加相應的元素低16位即可；否則的話，說明該索引對應的container還沒有被創建，先創建對應的ArrayContainer，再進行元素添加。值得一提的是，在getIndex方法中，使用了二分查找來獲取索引值，所以時間復雜度為O(logn)。
// 包含一個二分查找protected int getIndex(short x) { // 在二分查找之前，我們先對常見情況優化。 if ((size == 0) || (keys[size - 1] == x)) { return size - 1; } // 沒有碰到常見情況，我們只能遍歷這個列表。 return this.binarySearch(0, size, x);}對于元素添加，三種Container提供了不同的實現方式，下面將分別介紹。
1. ArrayContainer
if (cardinality == 0 || (cardinality > 0 && toIntUnsigned(x) > toIntUnsigned(content[cardinality - 1]))) { if (cardinality >= DEFAULT_MAX_SIZE) { return toBitMapContainer().add(x); } if (cardinality >= this.content.length) { increaseCapacity(); } content[cardinality++] = x; } else { int loc = Util.unsignedBinarySearch(content, 0, cardinality, x); if (loc < 0) { // 當標簽中元素數量等于默認最大值時，把ArrayContainer轉換為BitMapContainer if (cardinality >= DEFAULT_MAX_SIZE) { return toBitMapContainer().add(x); } if (cardinality >= this.content.length) { increaseCapacity(); } System.arraycopy(content, -loc - 1, content, -loc, cardinality + loc + 1); content[-loc - 1] = x; ++cardinality; } } return this;}ArrayContainer把添加元素分成兩種場景，一種走二分查找，另外一種不走二分查找。
第一種場景：不走二分查找。
當基數為0或者值大于container中的最大值，可以直接添加，因為content數組是有序的，最后一個是最大值。
當基數大于等于默認最大值4096時，ArrayContainer將轉換為BitMapContainer。如果基數大于content的數組長度的話，需要將content進行擴容。最后進行賦值即可。
第二種場景：走二分查找。
先通過二分查找找到對應的插入位置，如果返回loc大于等于0，說明存在，直接返回即可，如果小于0才進行后續插入。后續操作同上，當基數大于等于默認最大值4096時，ArrayContainer將轉換為BitMapContainer。如果基數大于content的數組長度的話，需要將content進行擴容。最后通過拷貝數組將元素插入到content數組中。
2. BitMapContainer
public Container add(final short i) { final int x = Util.toIntUnsigned(i); final long previous = BitMap[x / 64]; long newval = previous | (1L << x); BitMap[x / 64] = newval; if (USE_BRANCHLESS) { cardinality += (previous ^ newval) >>> x; } else if (previous != newval) { ++cardinality; } return this;}BitMap數組為BitMapContainer的存儲容器存放數據的內容，數據類型為long，在這里我們只需要找到x在BitMap中的位置，并且把相應的bit位置1即可。x/64就是找到對應long的舊值，1L<<x 就是把對應的bit位置為1，再跟舊值進行或操作，就可以得到新值，再將這個新值存回到bitmap數組即可。<="" span="">
3. RunContainer
public Container add(short k) { int index = unsignedInterleavedBinarySearch(valueslength, 0, nbrruns, k); if (index >= 0) { return this;// already there } index = -index - 2; if (index >= 0) { int offset = toIntUnsigned(k) - toIntUnsigned(getValue(index)); int le = toIntUnsigned(getLength(index)); if (offset <= le) { return this; } if (offset == le + 1) { // we may need to fuse if (index + 1 < nbrruns) { if (toIntUnsigned(getValue(index + 1)) == toIntUnsigned(k) + 1) { // indeed fusion is needed setLength(index, (short) (getValue(index + 1) + getLength(index + 1) - getValue(index))); recoverRoomAtIndex(index + 1); return this; } } incrementLength(index); return this; } if (index + 1 < nbrruns) { // we may need to fuse if (toIntUnsigned(getValue(index + 1)) == toIntUnsigned(k) + 1) { // indeed fusion is needed setValue(index + 1, k); setLength(index + 1, (short) (getLength(index + 1) + 1)); return this; } } } if (index == -1) { // we may need to extend the first run if (0 < nbrruns) { if (getValue(0) == k + 1) { incrementLength(0); decrementValue(0); return this; } } } makeRoomAtIndex(index + 1); setValue(index + 1, k); setLength(index + 1, (short) 0); return this;}RunContainer中的兩個數據結構，nbrruns表示有多少段行程，數據類型為int，valueslength數組表示所有的行程，數據類型為short。
public static void count(Integer inputSize) { RoaringBitMap BitMap = new RoaringBitMap(); BitMap.add(0L, inputSize); //獲取BitMap個數 int cardinality = BitMap.getCardinality(); //獲取BitMap壓縮大小 int compressSizeIntBytes = BitMap.getSizeInBytes(); //刪除壓縮（移除行程編碼，將container退化為BitMapContainer 或 ArrayContainer） BitMap.removeRunCompression(); //獲取BitMap不壓縮大小 int uncompressSizeIntBytes = BitMap.getSizeInBytes(); System.out.println("Roaring BitMap個數：" + cardinality); System.out.println("最好情況，BitMap壓縮大?。? + compressSizeIntBytes / 1024 + "KB"); System.out.println("最壞情況，BitMap不壓縮大?。? + uncompressSizeIntBytes / 1024 / 1024 + "MB"); BitSet bitSet = new BitSet(); for (int i = 0; i < inputSize; i++) { bitSet.set(i); } //獲取BitMap大小 int size = bitSet.size(); System.out.println("BitMap個數：" + bitSet.length()); System.out.println("BitMap大小：" + size / 8 / 1024 / 1024 + "MB"); }上述代碼使用了Java內置的BitMap(BitSet) 和 Roaring BitMap進行存儲大小對比，輸出結果如下所示。
可以發現，Roaring BitMap的壓縮性能效果非常好，同等情況下，是BitMap占用內存的近一千分之一。在退化成BitMapContainer/arrayContainer之后也仍然比使用基本的BitMap存儲效果好一些。
在Java中，Roaring BitMap提供了交并補差集等操作，如下代碼所示，列舉了Java中roaing BitMap的相關API使用方式。
//添加單個數字public void add(final int x)//添加范圍數字public void add(final long rangeStart, final long rangeEnd)//移除數字public void remove(final int x)//遍歷RBMpublic void forEach(IntConsumer ic)//檢測是否包含public boolean contains(final int x)//獲取基數public int getCardinality()//位與，取兩個RBM的交集，當前RBM會被修改public void and(final RoaringBitMap x2)//同上，但是會返回一個新的RBM，不會修改原始的RBM，線程安全public static RoaringBitMap and(final RoaringBitMap x1, final RoaringBitMap x2)//位或，取兩個RBM的并集，當前RBM會被修改public void or(final RoaringBitMap x2)//同上，但是會返回一個新的RBM，不會修改原始的RBM，線程安全public static RoaringBitMap or(final RoaringBitMap x1, final RoaringBitMap x2)//異或，取兩個RBM的對稱差，當前RBM會被修改public void xor(final RoaringBitMap x2)//同上，但是會返回一個新的RBM，不會修改原始的RBM，線程安全public static RoaringBitMap xor(final RoaringBitMap x1, final RoaringBitMap x2)//取原始值和x2的差集，當前RBM會被修改public void andNot(final RoaringBitMap x2)//同上，但是會返回一個新的RBM，不會修改原始的RBM，線程安全public static RoaringBitMap andNot(final RoaringBitMap x1, final RoaringBitMap x2)//序列化public void serialize(DataOutput out) throws IOExceptionpublic void serialize(ByteBuffer buffer)//反序列化public void deserialize(DataInput in) throws IOExceptionpublic void deserialize(ByteBuffer bbf) throws IOException對于序列化來說，Roaring BitMap官方定義了一套序列化規則，用來保證不同語言實現的兼容性。
Java中可以使用serialize方法進行序列化，deserialize方法進行反序列化。
Roaring BitMap可以用來構建大數據標簽，針對類型特征來創建對應的標簽。
在我們的業務場景中，有很多需要基于人群標簽進行交并補集運算的場景，下面以一個場景為例，我們需要計算每天某個設備接口 在設備標簽A上的查詢成功率，因為設備標簽A中的設備不是所有都活躍在網的，所以我們需要將設備標簽A與每日日活人群標簽取交集，得到的交集大小才能用作成功率計算的分母，另外拿查詢成功的標簽人群做分子來進行計算即可，查詢時長耗時為1s。
假如沒有使用標簽保存集合之前，我們需要在hive表中查詢出同時滿足當天在網的活躍用戶和設備A的用戶數量，查詢時長耗時在幾分鐘以上。兩種方式相比之下，使用Roaring BitMap查詢的效率更高。
本文結合個人理解梳理了BitMap及Roaring BitMap的原理及使用，分別主要介紹了Roaring BitMap的存儲方式及三種container類型及Java中Roaring BitMap相關API使用，如有不足和優化建議，也歡迎大家批評指正。
參考資料：
本文鏈接：http://m.www897cc.com/showinfo-26-95169-0.html海量數據處理利器 Roaring BitMap 原理介紹
聲明：本網頁內容旨在傳播知識，若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。郵件：2376512515@qq.com
上一篇： 實現一個完美的高并發訂單減庫存方案
Copyright ? 2016-2023 天津谷騏科技有限公司 版權所有 sitemap.xml
違法及侵權請聯系：2376512515@qq.com 津ICP備18001702號
津公網安備 12010102000574號