写在前面的
2012年3月25日买下《编程珠玑》，很期待但不知道它能给我带来什么！
编程珠玑，字字珠玑。但是翻译有点拗口，有时候整句话读下来都不知道在讲什么，多少有点掩饰了珠玑的魅力，真怀疑是不是直接有道翻译了。
位图数据结构法
在“开篇”的里，讲述了排序的一个问题，大意就是，对一个“最多占n位的（就是n位的整数），随机的，无重复的（互异无序）”的整数序列进行排序，那么这个序列的总长度len<=10^n。例如：这个序列中的每个整数最多占3位，那么序列最多有0~999的1000个数。
无重复会有很大的启发，可以试着使用“位图数据结构”来解决。位图数据结构？位图中的每个像素都被存储在计算机当中，并用一定的字节数来标记它的属性值。启发：如果是黑白的位图，那么位图中的每一个像素都可以用一个bool值来标记，因为位图无非就是黑与白，同理，可以应用到这个问题当中。
如果出现了，就用‘1’来标记；反之，用‘0’来标记，而用一个数组来表示给出的序列，那么数组的下标就是对应的出现的整数了。例如：dl[1]=1，那么，1在这个序列中有出现。这就是在统计出现与否的同时达到了排序了效果，而且节省了大量的时间与空间。这个效果与用排序模板和经常使用的外部（归并）排序比起来是绝对胜出的。
这是它“神奇”的地方，输入序列和输出序列都只有一次。1kw个上述整数序列也只用到了大约1.25M的内存空间。只能说，“位图数据结构法”在解决这样的问题有优势，只要把条件做小小的改动，情况会变得非常糟糕：把“互异”改为“非互异”，“位图法”无法胜任，还是要回到原始的外部排序算法。居然这样，那就一窥芳容。
多路归并排序
外部排序，也就是借助了磁盘，所有的排序过程并不是都在内存中完成。所以，外部排序没什么可怕的，常用的外部排序就是多路归并排序，它归并排序是一样的。关于多路归并排序，在多路归并排序这篇博文当中写得很清楚，不罗嗦了，这篇博文写的很认真，这篇博文当是自己的学习笔记。
珠玑“开篇”的课后习题第3题所要解决的就是测试多路归并排序的首要问题，所以没了它，也是无米之炊。产生随机数可以用rand库函数，但是它有缺陷的，rand函数产生的随机数最大是32767，但是这里需要KW，甚至更大的数据。
解决方法原理：可以依据“洗牌原理”，一副牌，将其中一张（任意挑选）与另一张（任意挑选）置换，...如此重复n次。牌没有增减，但是顺序打乱。
于是有下面的random代码：（不给出核心代码了，故意省略的，有心的根据上面的原理写出来，“原理”写的很清楚，借助rand库函数，还犹豫什么，快点写出来吧）
// range：范围
// num：个数
void random( int range, int num)
{
int * a = new int[range],i,j;
srand(unsigned(time(NULL)));
for(i= 0; i<range; i++)
a[i] = i + 1;
....核心代码去哪里啦！
// 写入文件
for(i= 0; i<num; i++)
cout << a[i] << " ";
// 回收
delete [] a;
}
有了上面的基础，操刀就容易了。有下面的图，多路归并也就浮出水面！
其实，数据结构课程中的归并排序就把原始数据分成了2个分队（二路），并且它的所有工作只在内存中完成，不借助磁盘，另外二路更多采用递归算法的。上图举例：1kw的个整数，每个整数4B，规定内存只有1M，那么每次读入内存(1MB/4B)=250k个整数，所以有(1kw/250k=40)个分队，下面称为“段文件”。
多路归并排序编程实现细节
- 内存排序环节：磁盘中的数据序列被分割成多个段（假定内存有限）读入到内存中，在内存中用模板sort实现排序过程，效率高！
- 多路归并排序环节：依次从从每个已排序的段文件中（什么是段文件，看上面的内存排序环节，形象了点！！）读入一个数据，注意是一个；挑选最小的写入的目标文件中。
数据的准备上面的random函数可以完全可以胜任。我测试的时候只准备了只有100w的数据，已经通过测试；小数据也可以通过，只是时间上有差异。
下面是代码（不怎么喜欢贴代码的，折叠起来） View Code
#include <iostream>
#include < string.h>
#include <fstream>
#include <Algorithm>
#include <time.h>
using namespace std;
#define MAX 10000 // 总数据量，可修改
#define MAX_ONCE 2500 // 内存排序MAX_ONCE个数据
#define FILENAME_LEN 20
// range：范围
// num：个数
void random( int range, int num)
{
int * a = new int[range],i,j;
fstream dist_file;
srand(unsigned(time(NULL)));
for(i= 0; i<range; i++)
a[i] = i + 1;
// 打表预处理
for(j= 0; j<range; j++)
{
// rand函数产生的随机数最大是32767，不能直接调用rand，做一下处理
int ii = (rand()*RAND_MAX+rand()) % range,
jj = (rand()*RAND_MAX+rand()) % range;
swap(a[ii],a[jj]);
} // for
dist_file.open( " data.txt ",ios:: out);
// 写入文件
for(i= 0; i<num; i++)
dist_file << a[i] << " ";
// 回收
delete [] a;
dist_file.close();
}
bool cmp( int &a, int &b)
{ return a<b;}
// index：文件的下标
char * create_filename( int index)
{
char * a = new char[FILENAME_LEN];
sprintf(a, " data %d.txt ",index);
return a;
}
// num：每次读入内存的数据量
void mem_sort( int num)
{
fstream fs( " data.txt ",ios:: in);
int temp[MAX_ONCE], // 内存数据暂存
file_index = 0, // 文件下标
i,
cnt; // 实际读入内存数据量
bool eof_flag = false; // 文件末尾标识
while(!fs.eof())
{
for(i= 0,cnt = 0; i<MAX_ONCE; i++)
{
fs >> temp[cnt];
// 读入一个数据后进行判断是否到了末尾
if(fs.peek()==EOF)
{
eof_flag = true;
break;
} // if
cnt++;
} // for
if(eof_flag)
break;
// 内存排序
sort(temp,temp+cnt,cmp);
char * filename = create_filename(++file_index);
fstream fs_temp(filename,ios:: out);
// 写入
for(i= 0; i<cnt; i++)
fs_temp << temp[i] << " ";
fs_temp.close();
delete [] filename;
} // while
fs.close();
}
void merge_sort( int filecnt)
{
fstream * fs = new fstream[filecnt],ret( " ret.txt ",ios:: out);
int index = 1,temp[MAX_ONCE],eofcnt = 0;
bool * eof_flag = new bool[filecnt];
::memset(eof_flag, false,filecnt* sizeof( bool));
for( int i= 0; i<filecnt; i++)
fs[i].open(create_filename(index++),ios:: in);
for( int i= 0; i<filecnt; i++)
fs[i] >> temp[i];
while(eofcnt<filecnt)
{
int j = 0;
// 找到第一个未结束处理的文件
while(eof_flag[j])
j++;
int min = temp[j],fileindex = 0;
for( int i=j+ 1; i<filecnt; i++)
{
if(temp[i]<min && !eof_flag[i])
min = temp[i],fileindex = i;
} // for
ret << min << " ";
fs[fileindex] >> temp[fileindex];
// 末尾判断
if(fs[fileindex].peek()==EOF)
eof_flag[fileindex] = true,
eofcnt++;
} // while
delete [] fs;
delete [] eof_flag;
ret.close();
}
int main()
{
random(MAX,MAX);
clock_t begin = clock();
mem_sort(MAX);
merge_sort( 4);
clock_t end = clock();
double cost = (end - begin)* 1.0 / CLK_TCK;
cout << " 耗时： " << cost << " ms " << endl;
}
我的实现过程小瓶颈
在用到c++的输入输出的流要特别注意，特别是输入流，因为在内存排序环节和多路归并排序环节都有涉及文件的读入，分别是从源文件中读入原始数据和从段文件中读入数据。 在这个实验中，如果 一 时没处理好文件末尾的判断，会出现小小的瑕疵（在合并文件的末尾会出现数据丢失或者重复）。
根据经验最好的解决方法： 每次处理文件数据之前， 先读入一个数据 之后， 进行下面的判断 ，如果符合这个判断就表示要结束接下来的处理。 因为即使刚好到了文件末尾，输入流也需要一个输入的牺牲来判断是否到了文件末尾，如果到了文件末尾，设置EOF标志。
if(fs.peek()==EOF)
{
...
break;
} // if
只要依准这一原则，问题可以得到解决。
问题分析，数据结构选择，算法，和技巧
1234章涉及了上面的话题，它决不能马上让你都有提高，重要的要在自己的学习中多加留意。比如第一章就提到的排序问题。想必很多人都会蹦出“外部排序”，但是却恰有“位图数据结构法”如此巧妙令人拍案叫绝的,这得益于问题的分析到位，数据结构选择得当，...
一个新的小问题
给出一篇文章，统计每个字符出现的次数！！问题不难，但是该怎么解决？
- 分析：仔细看，字符无非是ascii表中的可打印的字符，数据结构选择应该是一个struct，里面包含每个字符c和字符出现次数cnt。这个想法很中规中矩。
- 仔细分析：字符的ascii值是固定而且是连续的，是不是可以仿照“位图数据结构法”的方法？上面的“位图数据结构法”用到了bool数组，但是只能记录数据是否出现，也就是说对多次出现的数据无法判断，所以把bool变为int就ok了，数组的下标就是每个ascii字符的值！
总结
有个坏习惯，一道题（可以是一道算法题或者具体的软件），只要有思路，手就有瘾似的放到键盘上，坏毛病，后来才发现。一个软件的开发过程，代码是时间只占了30%左右的时间，前面的架构才是重头戏！所以编程始终是后话。试着在做题之前，在纸上分析问题，写出伪代码，然后才敲键盘，你会发现可以大大减少在电脑面前为某个编程细节而苦恼的时间。当然，你可以完全从“纸和笔”中完全解脱出来，代之以mspaint！
本文完 Thursday, March 29, 2012
捣乱小子 http://daoluanxiaozi.cnblogs.com/