面试这种场合，大家都懂，面试官总喜欢出点“奇奇怪怪”的题目，问你点“看似不可能”的问题——比如：

40亿个QQ号要去重，内存还只能给你1GB。

就像老板让你用两块钱预算搞个全公司团建，还得拍成《向往的生活》那种高级感。

这不，最近就有小伙伴再面试过程中遇到这道看似不可能，实则还是能搞定的面试题。

问题背景分析1. 数据规模分析

这个规模远超1GB内存的限制，因此直接在内存中存储所有QQ号是不可能的。

2. 内存限制分析

最近无意间获得一份阿里大佬写的刷题笔记，一下子打通了我的任督二脉，进大厂原来没那么难。这是大佬写的，

方式1：使用bitMap进行海量数据去重1. 什么是BitMap？它有什么用？

BitMap，顾名思义，就是用“位”来存储数据的技术。我们平时可能听过“字节”、“兆字节”这些词，但BitMap更小巧精悍，直接用最小的数据单位——“位”——来操作。在计算机里，1个字节（Byte）等于8位（bit），也就是说，一个字节能记录8个信息点。这个小小的技巧让BitMap在处理海量数据的时候非常高效。

举个简单的例子，我们生活中常常要做记录，比如每天上班打卡。

如果你每天只打一次卡，我们可以用一张纸每天划一个“√”来表示今天打了卡。

这就是最简单的“位图”概念——每一天的卡记录其实可以只占一个“位”大小的信息。

类似的，BitMap在计算机里是用“位”来表示某个数据是否存在。打个比方，如果你有40亿个QQ号，你不需要为每个QQ号都分配一个独立的空间（比如字符串），而是通过一个位图，按顺序标记“这个号有没有出现过”。它的核心优势就是省内存，因为一个bit只占用一个二进制位，这对海量数据来说节省了很多空间。

2. 如何使用BitMap进行40亿个QQ号去重？

假设你现在有40亿个QQ号需要去重。如果每个QQ号都是一个32位的整数，那如果直接存储这些QQ号，将占用16GB内存（40亿个QQ号 × 每个号4字节）。但我们假设QQ号的最大范围也就是从1到40亿，意味着我们最多需要存储40亿个数的“有”或“没有”状态，用BitMap刚好可以应对。

具体步骤如下：

第一步：初始化位图

我们需要一个大小足够的位图来记录这40亿个QQ号。既然1个bit能表示一个QQ号有没有出现，那40亿个QQ号就需要40亿个bit。这样一个位图大概需要500MB的内存（40亿bit / 8 = 500MB），这和我们要处理的1GB内存限制相符。

第二步：读取QQ号并标记位图

你可以想象一下这个位图是一张巨大的“表”，上面有40亿个小格子，每个小格子代表一个QQ号的位置，初始时每个格子都是“0”，表示这个号码还没出现。当我们逐个读取QQ号时，假设读到第一个QQ号是12345678，那我们就把位图中的第12345678个位置标记为“1”，表示这个QQ号出现了。重复的号码再次被读取时，它对应的位已经是“1”了，所以我们就知道这个QQ号已经存在，不会重复处理。

第三步：扫描位图得到去重结果

当所有QQ号都处理完之后，去重的过程就完成了。接下来，我们只需要遍历这个位图，找到所有标记为“1”的位，就可以得到所有去重后的QQ号。

这个过程简单来说就是：

初始化一个40亿个格子的表，开始时所有格子都是“0”；每次读取一个QQ号，就标记它对应的格子为“1”；读完所有QQ号后，找到所有格子里是“1”的，输出这些位置的号码，就完成了去重。3. BitMap位图的优势和不足优势

1. 节省内存

BitMap的最大优势就是节省内存。假设每个QQ号需要4字节的空间，而用BitMap的方式，一个QQ号只需要1个bit，也就是1/32的内存消耗。对于40亿个QQ号来说，这个节省的效果非常显著。在我们的例子里，原本需要16GB的内存，而BitMap只用了500MB左右，就完成了同样的任务。

2. 高效处理海量数据

当数据量非常大时，传统的去重方法可能会让计算机内存“吃不消”，直接“宕机”或者速度变得极慢。而BitMap通过将大量数据压缩成极小的空间，使得处理海量数据时既不拖慢系统，也不会用完内存。在内存受限的场景中，它是非常实用的工具。

举个职场例子：就像你要组织一次全公司活动，需要统计上千名员工的参与情况。如果你每个人都开一个文件来记录信息，文件可能会堆成山。而如果你只需要在一张表上用一个小勾表示“是否参加”，这就是BitMap的做法——用最少的资源解决问题。

3. 时间复杂度低

在用BitMap去重时，标记和查询某个QQ号是否出现过的操作都可以在常数时间内完成。也就是说，处理每个QQ号的时间不会随着数据量增多而变长，这一点对于处理海量数据尤其重要。

不足

1. 适用场景有限

BitMap虽然节省内存，但它只能用来处理“整数”类的数据。如果我们处理的不是QQ号，而是其他需要更复杂数据结构的内容，比如字符串（例如邮箱地址），BitMap就不适用了。它擅长的是处理像QQ号这种可以直接映射到位图上、并且取值范围明确的数据。

打个比方，如果我们公司里有很多部门，每个部门的员工人数不一样，而且我们要分别统计他们的参与活动情况，BitMap的做法就显得有些局限性。它不能灵活处理更复杂的、多层次的结构化信息。

2. 存储“稀疏”数据时效率不高

如果QQ号的分布很稀疏，比如说，我们有40亿的号码范围，但实际出现的QQ号只有几百万，这时候大部分位图格子都是空的，浪费了很多空间。换句话说，BitMap的效率依赖于数据的密集度。如果QQ号分布得很松散，可能会占用比实际数据多得多的内存。

3. 位图最大值限制

BitMap的大小必须提前确定。如果我们处理的QQ号超过了原先设置的最大值（比如说你预期最多处理40亿个号码，但突然遇到了超过40亿的QQ号），那么位图就“装不下”了，需要重新扩展空间，而这个操作可能会非常繁琐和耗时。举个日常

例子，如果你预定了一个500人的会议场地，结果当天来了600人，这时你得临时找更大的场地，增加座位。对于BitMap来说，预设好最大范围是非常重要的，一旦溢出，整个系统就可能需要大规模调整。

最近无意间获得一份阿里大佬写的刷题笔记，一下子打通了我的任督二脉，进大厂原来没那么难。这是大佬写的，

方式2：使用布隆过滤器进行海量数据去重1. 什么是布隆过滤器？实现原理是什么？

布隆过滤器，听起来像是一种很高深的技术，其实它的原理非常简单，主要用来快速判断某个元素是不是已经存在过。

它特别适合处理海量数据，但不同于普通的集合或者列表，布隆过滤器的最大特点是节省空间，也就是说，在存储大量数据时，它几乎不怎么占用内存。

为了让这个概念更加清晰，咱们来打个比方：

假设你是公司的HR，负责一个超大的应聘者名单。名单上有上百万个名字，你每天都要检查一个名字是否已经在这个名单里。正常情况下，你需要一个非常庞大的数据库或者Excel表格，才能够存储这些名字，并进行查找，但布隆过滤器的好处是，它通过**“牺牲一点点准确性”来换取极大的存储空间和速度优势。**

也就是说，它能够快速告诉你：“这个名字可能已经在名单里了”，但有一点点可能性它会误判。

实现原理

布隆过滤器的核心原理就是使用多个哈希函数。

每次我们插入一个元素（比如一个QQ号或一个名字），布隆过滤器会通过几个哈希函数，生成几个不同的位置，把这些位置的“位”（bit）设置为1。之后，当你需要检查某个元素是否已经存在时，它会用同样的哈希函数去检查对应位置的位是否都已经是1。如果都是1，那么它会告诉你：“这个元素可能存在过”。如果有任何一个位是0，它就可以非常肯定地告诉你：“这个元素绝对没出现过”。

2. 什么是哈希冲突？

说到布隆过滤器，就不得不提到哈希函数，而哈希函数容易引发的一个问题就是“哈希冲突”。

简单来说，哈希函数的作用是将任意大小的数据转化成固定长度的值。

比如，你可以用一个哈希函数将一串名字“张三”转换为一个固定长度的数字或字符。问题是，如果两个不同的元素，比如“张三”和“李四”，经过同样的哈希函数转换后，结果是相同的，那就发生了哈希冲突。

这有点像公司里有两个员工同名同姓，两个“张伟”都被安排在同一个工位上，这显然会带来混乱。哈希冲突虽然不多见，但在处理大规模数据时是不可避免的。布隆过滤器通过使用多个哈希函数，大大减少了冲突的可能性，因为每个元素都要通过多个哈希函数生成多个位置，这样可以避免因为单个哈希冲突带来的误判。

3. 布隆过滤器的工作过程

布隆过滤器的工作过程其实很简单，核心步骤有两个：添加数据和查询数据。

添加数据

当你往布隆过滤器里添加一个新元素时，比如一个QQ号，布隆过滤器会通过多个哈希函数生成几个位置。假设有三个哈希函数，分别生成了位置1001、4567和7890。

布隆过滤器就会在这三个位置上把对应的“位”设为1。

重复这个过程，对于每一个新的元素，它都会通过哈希函数找到多个位置，并把这些位置的位都设置为1。

查询数据

当你查询某个QQ号是否存在时，布隆过滤器会用相同的哈希函数生成位置，比如你查询的QQ号生成了位置1001、4567和7890。

然后，布隆过滤器检查这几个位置的位是否都是1。如果都是1，那么它会告诉你：“这个QQ号可能已经存在”。如果有任何一个位是0，它会告诉你：“这个QQ号肯定不存在”。

注意，这里有个“可能”的说法。因为布隆过滤器有一定的误判率——它可能会错误地告诉你某个元素存在，但它不会错判不存在的情况。换句话说，布隆过滤器可以提供“假阳性”，但绝对不会给出“假阴性”。

4. 布隆过滤器的应用场景

布隆过滤器非常适合处理那些需要快速判断存在性的问题，尤其在数据量巨大但又对误判要求不高的情况下。以下是一些常见的应用场景：

1. 数据库缓存

假设你正在处理一个电商系统，数据库里有上百万个商品。每次用户查询商品时，你得先去数据库查一遍。如果商品不存在，那你就白费力气了。

这时，你可以在数据库之前加一个布隆过滤器，先用它来判断商品是否存在。如果布隆过滤器说“商品不存在”，那你就不用去查数据库了；如果布隆过滤器说“可能存在”，你再去查数据库，这样能节省大量查询时间。

这个也是解决缓存穿透的一个方案

2. 网络防火墙

布隆过滤器还能用于网络防火墙，比如判断一个IP地址是否是已知的攻击者IP。如果你有一个巨大的黑名单，用布隆过滤器可以快速判断某个IP是否有问题，而不需要查完整的黑名单列表。

3. 爬虫去重

当你写一个网络爬虫时，你不希望爬虫重复抓取已经抓取过的页面。这时候，你可以用布隆过滤器来记录已经抓取过的页面URL，避免重复工作。

4. 垃圾邮件过滤

邮箱系统可以用布隆过滤器来快速判断某封邮件是否是垃圾邮件。布隆过滤器可以通过多个哈希函数快速检测出已知的垃圾邮件模式，从而提高处理效率。

5. 如何实现布隆过滤器？（使用Redission版本举例）

Redission是一个在Java中非常常见的工具库，它可以轻松集成Redis，并且支持布隆过滤器功能。我们可以利用Redission提供的API，快速实现布隆过滤器。下面是如何用Redission实现一个简单的布隆过滤器的过程。

第一步：导入依赖

首先，确保你的项目中引入了Redisson的依赖。以下是Maven的配置：

<dependency>
    <groupId>org.redissongroupId>
    <artifactId>redissonartifactId>
    <version>3.15.2version>
dependency>

第二步：初始化Redisson客户端

接下来，你需要初始化Redisson客户端，并连接到Redis服务器：

Config config = new Config();
config.useSingleServer().setAddress("redis://127.0.0.1:6379");
RedissonClient redisson = Redisson.create(config);

这段代码会连接到本地的Redis服务器。如果你的Redis服务器在其他地址，替换127.0.0.1即可。

第三步：创建布隆过滤器

创建布隆过滤器时，我们需要指定元素数量和误判率。例如，假设你预计要处理100万个元素，误判率希望控制在0.01%：

RBloomFilter bloomFilter = redisson.getBloomFilter("qqBloomFilter");
bloomFilter.tryInit(1000000L, 0.001);

这段代码初始化了一个布隆过滤器，预计容纳100万个元素，误判率是0.1%。

第四步：添加和查询数据

接下来，往布隆过滤器中添加数据和查询数据。

// 添加数据
bloomFilter.add("123456");
bloomFilter.add("654321");
// 查询数据
boolean exists = bloomFilter.contains("123456");  // 返回 true
boolean notExists = bloomFilter.contains("000000");  // 返回 false

这段代码展示了如何往布隆过滤器中添加QQ号，以及如何判断某个QQ号是否已经存在。

第五步：关闭连接

操作完成后，记得关闭Redisson客户端：

redisson.shutdown();

总结：布隆过滤器和位图该如何选择选择建议：总结：选择布隆过滤器：选择位图（BitMap）：最后说一句(求关注，求赞，别白嫖我)

最近无意间获得一份阿里大佬写的刷题笔记，一下子打通了我的任督二脉，进大厂原来没那么难。这是大佬写的，

本文，已收录于，我的技术网站 ，有大厂完整面经，工作技术，架构师成长之路，等经验分享