java数据结构与算法总结(二十四)--RoaringBitmap数据结构及原理

短命女 2022-10-31 04:18 290阅读 0赞

[原文链接][Link 1]

# 首先 #

![SouthEast][]

每个RoaringBitmap[(GitHub链接)][GitHub]中都包含一个`RoaringArray`，名字叫`highLowContainer`。  
`highLowContainer`存储了`RoaringBitmap`中的全部数据。

RoaringArray highLowContainer;

*  1

这个名字意味着，会将32位的整形（`int`）拆分成高16位和低16位两部分（两个`short`）来处理。

RoaringArray的数据结构很简单，核心为以下三个成员：

short[] keys;
    Container[] values;
    int size;

*  1
 *  2
 *  3

每个32位的整形，高16位会被作为key存储到`short[] keys`中，低16位则被看做value，存储到`Container[] values`中的某个Container中。`keys`和`values`通过下标一一对应。`size`则标示了当前包含的key-value pair的数量，即`keys`和`values`中有效数据的数量。

`keys`数组永远保持有序，方便二分查找。

# 三种Container #

下面介绍到的是RoaringBitmap的核心，三种Container。

通过上面的介绍我们知道，每个32位整形的高16位已经作为key存储在`RoaringArray`中了，那么Container只需要处理低16位的数据。

### ArrayContainer ###

static final int DEFAULT_MAX_SIZE = 4096
    
    short[] content;

*  1
 *  2
 *  3

结构很简单，只有一个`short[] content`，将16位value直接存储。

`short[] content`始终保持有序，方便使用二分查找，且不会存储重复数值。

因为这种Container存储数据没有任何压缩，因此只适合存储少量数据。

ArrayContainer占用的空间大小与存储的数据量为线性关系，每个`short`为2字节，因此存储了N个数据的ArrayContainer占用空间大致为`2N`字节。存储一个数据占用2字节，存储4096个数据占用8kb。

根据源码可以看出，常量`DEFAULT_MAX_SIZE`值为4096，当容量超过这个值的时候会将当前Container替换为BitmapContainer。

### BitmapContainer ###

final long[] bitmap;

*  1

这种Container使用`long[]`存储位图数据。我们知道，每个Container处理16位整形的数据，也就是0~65535，因此根据位图的原理，需要65536个比特来存储数据，每个比特位用1来表示有，0来表示无。每个`long`有64位，因此需要1024个`long`来提供65536个比特。

因此，每个BitmapContainer在构建时就会初始化长度为1024的`long[]`。这就意味着，不管一个BitmapContainer中只存储了1个数据还是存储了65536个数据，占用的空间都是同样的8kb。

### RunContainer ###

private short[] valueslength;
    
    int nbrruns = 0;

*  1
 *  2
 *  3

RunContainer中的Run指的是行程长度压缩算法(Run Length Encoding)，对连续数据有比较好的压缩效果。

它的原理是，对于连续出现的数字，只记录初始数字和后续数量。即：

*  对于数列`11`，它会压缩为`11,0`；
 *  对于数列`11,12,13,14,15`，它会压缩为`11,4`；
 *  对于数列`11,12,13,14,15,21,22`，它会压缩为`11,4,21,1`；

源码中的`short[] valueslength`中存储的就是压缩后的数据。

这种压缩算法的性能和数据的连续性（紧凑性）关系极为密切，对于连续的100个`short`，它能从200字节压缩为4字节，但对于完全不连续的100个`short`，编码完之后反而会从200字节变为400字节。

如果要分析RunContainer的容量，我们可以做下面两种极端的假设：

*  最好情况，即只存在一个数据或只存在一串连续数字，那么只会存储2个`short`，占用4字节
 *  最坏情况，0~65535的范围内填充所有的奇数位（或所有偶数位），需要存储65536个`short`，128kb

# Container性能总结 #

### 读取时间 ###

只有BitmapContainer可根据下标直接寻址，复杂度为`O(1)`，ArrayContainer和RunContainer都需要二分查找，复杂度`O(log n)`

### 内存占用 ###

![Container内存比较][Container]

这是我画的一张图，大致描绘了各Container占用空间随数据量的趋势。

其中，

*  ArrayContainer一直线性增长，在达到4096后就完全比不上BitmapContainer了
 *  BitmapContainer是一条横线，始终占用8kb
 *  RunContainer比较奇葩，因为和数据的连续性关系太大，因此只能画出一个上下限范围。不管数据量多少，下限始终是4字节；上限在最极端的情况下可以达到128kb。

### RoaringBitmap针对Container的优化策略 ###

创建时：

*  创建包含单个值的Container时，选用ArrayContainer
 *  创建包含一串连续值的Container时，比较ArrayContainer和RunContainer，选取空间占用较少的

转换：

针对ArrayContainer：

*  如果插入值后容量超过4096，则自动转换为BitmapContainer。因此正常使用的情况下**不会出现容量超过4096的ArrayContainer**。
 *  调用runOptimize()方法时，会比较和RunContainer的空间占用大小，选择是否转换为RunContainer。

针对BitmapContainer：

*  如果删除某值后容量低至4096，则会自动转换为ArrayContainer。因此正常使用的情况下**不会出现容量小于4096的BitmapContainer**。
 *  调用runOptimize()方法时，会比较和RunContainer的空间占用大小，选择是否转换为RunContainer。

针对RunContainer：

*  只有在调用runOptimize()方法才会发生转换，会分别和ArrayContainer、BitmapContainer比较空间占用大小，然后选择是否转换。

# 以上 #

[Link 1]: https://blog.csdn.net/yizishou/article/details/78342499
[SouthEast]: /images/20221024/498c68c5820e420eadb3f4d64a05372f.png
[GitHub]: https://github.com/RoaringBitmap/RoaringBitmap
[Container]: /images/20221024/6cff0189142a48b9b4dc088b36951511.png