本申请实施例涉及计算机技术领域，具体涉及用于存储数据的方法和装置。
背景技术：
基数(Cardinality)，是指一个数据集合中不同数据的数量。目前，在大数据(Big data)的基数统计过程中，一般需要对原始数据进行处理。对于不同的集合，每次计算集合的基数时，往往需要从原始数据出发，分别遍历执行同一算法，以求得集合的基数。
当前，基数求解算法可以广泛应用于网站访问分析中的UV(访客数，指一段时间内访问网站的不同用户的数量)统计等领域。
技术实现要素：
本申请实施例提出了用于存储数据的方法和装置。
第一方面，本申请实施例提供了一种用于存储数据的方法，该方法包括：读取目标数据集合包括的多个子数据集合，其中，子数据集合由目标数据集合划分得到；按照预先确定的第一格式，将多个子数据集合中的空集存储至第一存储空间；确定多个子数据集合中的每个数据的哈希值，得到多个哈希值集合；将多个哈希值集合中符合第一预设存储条件的哈希值集合中的各个哈希值以及哈希值的数目，按照预先确定的第二格式，存储至第二存储空间。
在一些实施例中，上述方法还包括：针对多个哈希值集合中的每个哈希值集合，确定该哈希值集合对应的字节数组，其中，字节数组中元素的位置基于哈希值集合中的各个哈希值中的前预定数量个比特位上的数据来确定，字节数组中的元素基于哈希值集合中的哈希值所表征的二进制数据中的首个1的位置来确定，字节数组的长度是预先确定的。
在一些实施例中，上述方法还包括：将所确定的字节数组中符合第二预设存储条件的字节数组中的非0元素以及非0元素在字节数组中的位置，按照预先确定的第三格式，存储至第三存储空间。
在一些实施例中，上述方法还包括：将所确定的字节数组中符合第三预设存储条件的字节数组，按照预先确定的第四格式，存储至第四存储空间。
在一些实施例中，上述方法还包括：基于第一存储空间、第二存储空间、第三存储空间以及第四存储空间所存储的数据，创建物化视图。
在一些实施例中，上述方法还包括：根据所确定的字节数组中最大的字节数组，确定目标数据集合的基数。
第二方面，本申请实施例提供了一种用于存储数据的装置，该装置包括：读取单元，配置用于读取目标数据集合包括的多个子数据集合，其中，子数据集合由目标数据集合划分得到；第一存储单元，配置用于按照预先确定的第一格式，将多个子数据集合中的空集存储至第一存储空间；第一确定单元，配置用于确定多个子数据集合中的每个数据的哈希值，得到多个哈希值集合；第二存储单元，配置用于将多个哈希值集合中符合第一预设存储条件的哈希值集合中的各个哈希值以及哈希值的数目，按照预先确定的第二格式，存储至第二存储空间。
在一些实施例中，上述装置还包括：第二确定单元，配置用于针对多个哈希值集合中的每个哈希值集合，确定该哈希值集合对应的字节数组，其中，字节数组中元素的位置基于哈希值集合中的各个哈希值中的前预定数量个比特位上的数据来确定，字节数组中的元素基于哈希值集合中的哈希值所表征的二进制数据中的首个1的位置来确定，字节数组的长度是预先确定的。
在一些实施例中，上述装置还包括：第三存储单元，配置用于将所确定的字节数组中符合第二预设存储条件的字节数组中的非0元素以及非0元素在字节数组中的位置，按照预先确定的第三格式，存储至第三存储空间。
在一些实施例中，上述装置还包括：第四存储单元，配置用于将所确定的字节数组中符合第三预设存储条件的字节数组，按照预先确定的第四格式，存储至第四存储空间。
在一些实施例中，上述装置还包括：创建单元，配置用于基于第一存储空间、第二存储空间、第三存储空间以及第四存储空间所存储的数据，创建物化视图。
在一些实施例中，上述装置还包括：第三确定单元，配置用于根据所确定的字节数组中最大的字节数组，确定目标数据集合的基数。
第三方面，本申请实施例提供了一种用于存储数据的服务器，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行，使得该一个或多个处理器实现如上述用于存储数据的方法中任一实施例的方法。
第四方面，本申请实施例提供了一种用于存储数据的计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上述用于存储数据的方法中任一实施例的方法。
本申请实施例提供的用于存储数据的方法和装置，通过读取目标数据集合包括的多个子数据集合，然后按照预先确定的第一格式，将多个子数据集合中的空集存储至第一存储空间，之后确定多个子数据集合中的每个数据的哈希值，得到多个哈希值集合，最后将多个哈希值集合中符合第一预设存储条件的哈希值集合中的各个哈希值以及哈希值的数目，按照预先确定的第二格式，存储至第二存储空间，从而提高了数据处理的灵活性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请实施例可以应用于其中的示例性系统架构图；
图2是根据本申请的用于存储数据的方法的一个实施例的流程图；
图3A是根据本申请的用于存储数据的方法的一个应用场景的示意图；
图3B是图3A的应用场景中的数据存储示意图；
图3C是根据本申请的用于存储数据的方法的又一个应用场景的示意图；
图3D是图3C的应用场景中的数据存储示意图；
图4是根据本申请的用于存储数据的方法的又一个实施例的流程图；
图5是根据本申请的用于存储数据的方法的一个数据存储示意图；
图6是根据本申请的用于存储数据的方法的又一个数据存储示意图；
图7是根据本申请的用于存储数据的装置的一个实施例的结构示意图；
图8是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于存储数据的方法或用于存储数据的装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如数据搜索类应用、数据统计类应用、网页浏览器应用、购物类应用等。
终端设备101、102、103可以是具有显示屏并且支持数据处理的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上传的多个子数据集合提供支持的后台数据处理服务器。后台数据处理服务器可以对接收到的数据处理请求进行分析，并将处理结果(例如所得到的哈希值集合、每个哈希值集合中的哈希值的数目等)反馈给终端设备。
需要说明的是，本申请实施例所提供的用于存储数据的方法一般由服务器105执行，相应地，用于存储数据的装置一般设置于服务器105中。
还需要说明的是，本申请实施例所提供的用于存储数据的方法可以应用于分布式服务器中，相应地，用于存储数据的装置可以设置于分布式服务器中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。当信息处理方法运行于其上的电子设备不需要与终端设备进行数据传输时，该系统架构可以不包括网络和终端设备。
继续参考图2，示出了根据本申请的用于存储数据的方法的一个实施例的流程200。该用于存储数据的方法，包括以下步骤：
步骤201，读取目标数据集合包括的多个子数据集合。
在本实施例中，用于存储数据的方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从其他电子设备(例如终端设备)读取目标数据集合包括的多个子数据集合。其中，子数据集合由目标数据集合划分得到。目标数据可以是任意类型的数据。包括但不限于以下至少一项：数字、字符、结构体、数组。目标数据可以是符合特定条件的数据。例如，上述特定条件可以是值大于10，也可以是性别为男等等。需要说明的是，上述目标数据集合中可以包括相同的元素(即数据)。上述目标数据集合中所包括元素的数目可以是10亿、100亿(大数据数量级)等。子数据集合可以是但不限于按照如下方式划分得到的数据集合：基于上述电子设备单次可以读取的最大数据量对目标数据进行划分而得到的数据集合；基于分布式流式数据统计对目标数据进行划分而得到的数据集合。可以理解，目标数据集合可以由划分得到的多个子数据集合组成。
示例性的，请参考图3A。服务器(即上述电子设备)读取到了存储于数据存储服务器的目标数据集合(例如{1，24，67，24，1900，2634，4571，264……})包括的多个子数据集合301。
步骤202，按照预先确定的第一格式，将多个子数据集合中的空集存储至第一存储空间。
在本实施例中，基于步骤201中得到的多个子数据集合，上述电子设备可以按照预先确定的第一格式，将多个子数据集合中的空集存储至第一存储空间。其中，第一格式可以是预先确定的各种格式。例如，可以用特定字符(例如null、空、empty等)表征上述第一格式。第一存储空间的大小可以是1字节、2字节等等。在这里，上述电子设备可以将每个空集(即空集对应的特定字符)存储至一个第一存储空间。
需要说明的是，在实践中，当表格中的数据未填写等情况下，上述多个子数据集合中可能包括空集，对空集进行存储有助于记录原始表格的状态。
示例性的，请参考图3B。其中，上述电子设备按照预先确定的第一格式(例如empty)，将多个子数据集合中的空集对应的特定字符(例如empty)存储至第一存储空间a(如标号302所示)。
步骤203，确定多个子数据集合中的每个数据的哈希值，得到多个哈希值集合。
在本实施例中，上述电子设备可以确定所读取的多个子数据集合中的每个数据的哈希值，得到多个哈希值集合。其中，所得到的哈希值集合的数量与所读取的子数据集合的数量相等。可以理解，可以通过但不限于如下算法确定数据的哈希值：MurmurHash哈希算法(一种非加密型哈希函数，适用于一般的哈希检索操作。与其它流行的哈希函数相比，对于规律性较强的键(key)，该函数得到的哈希值的随机分布特征表现更良好)，FNV(Fowler Noll Vo)哈希算法，CRC(Cyclic Redundancy Check，循环冗余校验)算法。
作为示例，请继续参考图3C。其中，上述电子设备利用哈希算法，确定出多个子数据集合301中的每个数据的哈希值，得到多个哈希值集合303。
步骤204，将多个哈希值集合中符合第一预设存储条件的哈希值集合中的各个哈希值以及哈希值的数目，按照预先确定的第二格式，存储至第二存储空间。
在本实施例中，上述电子设备还可以将步骤203所得到的哈希值集合中符合第一预设存储条件的哈希值集合中的各个哈希值以及哈希值的数目，按照预先确定的第二格式，存储至第二存储空间。其中，第一预设存储条件可以是哈希值集合所占用的存储空间的大小小于预先确定的存储空间大小(例如1024比特等)。第二格式可以是预先确定的各种格式。例如，可以用特定大小的存储空间(例如4字节、8字节等)存储上述数目，用与上述特定大小的存储空间连续的存储空间存储各个哈希值。在这里，用于存储各个哈希值的存储空间的大小可以是相同的。上述符合第一预设存储条件的哈希值集合的数量与第二存储空间的数量可以是相同的。
作为示例，请继续参考图3D。其中，上述电子设备将符合第一预设存储条件(例如哈希值集合所占用的存储空间的大小小于1024比特)的哈希值集合(例如{0X356EF34E,0XA96B3452,……})中的各个哈希值(包括0X356EF34E,0XA96B3452)以及哈希值的数目(例如10000)，按照如下格式存储至第二存储空间304：第二存储空间304的存储空间a可以存储特定字符(例如explicit)，该字符可以用于表征第二存储空间304所存储的数据是按照上述第二格式存储的；存储空间b存储哈希值的数目(例如10000)；每个存储空间c存储一个哈希值。在该示例中，上述存储空间可以是连续的存储空间。存储空间a的大小可以是1字节(也可以是其他大小)，存储空间b的大小可以是4字节(也可以是其他大小)，每个存储空间c的大小可以是8字节(也可以是其他大小)。
需要说明的是，可以通过存储上述特定字符，来标识数据的存储格式。
在一些使用情况下，上述电子设备还可以基于Hyperloglog算法确定出每个哈希值集合对应的字节数组。然后将所确定的字节数组中符合第二预设存储条件的字节数组中的非0元素以及非0元素在字节数组中的位置，按照预先确定的第三格式，存储至第三存储空间。其中，第二预设存储条件可以是字节数组所占用的存储空间的大小小于该字节数组对应的哈希值集合所占用的存储空间的大小。第三格式可以是预先确定的各种格式。例如，可以用特定大小的存储空间(例如2048字节等)存储上述非0元素在其所在的字节数组中的位置，用与上述特定大小的存储空间连续的存储空间存储各个非0元素。在这里，用于存储各个非0元素的存储空间的大小可以是相同的。上述字节数组的数量与第三存储空间的数量可以是相同的。
在一些使用情况下，上述电子设备还可以将所确定的字节数组中符合第三预设存储条件的字节数组，按照预先确定的第四格式，存储至第四存储空间。其中，第三预设存储条件可以是字节数组中的非0元素的数量占总元素的数量比大于预设的百分比阈值(例如80％)。第四格式可以是预先确定的各种格式。例如，可以用连续的存储空间存储字节数组中的每个元素。在这里，用于存储各个元素的存储空间的大小可以是相同的。上述字节数组的数量与第四存储空间的数量可以是相同的。
本申请的上述实施例提供的方法，通过读取目标数据集合包括的多个子数据集合，然后按照预先确定的第一格式，将多个子数据集合中的空集存储至第一存储空间，之后确定多个子数据集合中的每个数据的哈希值，得到多个哈希值集合，最后将多个哈希值集合中符合第一预设存储条件的哈希值集合中的各个哈希值以及哈希值的数目，按照预先确定的第二格式，存储至第二存储空间，从而有效利用了求解过程中的中间结果，基于对中间结果的存储，实现了对原始数据的提前处理，有助于快速确定集合的基数，提高了数据处理的灵活性。
进一步参考图4，其示出了用于存储数据的方法的又一个实施例的流程400。该用于存储数据的方法的流程400，包括以下步骤：
步骤401，读取目标数据集合包括的多个子数据集合。
在本实施例中，步骤401与图2对应实施例中的步骤201基本一致，这里不再赘述。
步骤402，按照预先确定的第一格式，将多个子数据集合中的空集存储至第一存储空间。
在本实施例中，步骤402与图2对应实施例中的步骤202基本一致，这里不再赘述。
步骤403，确定多个子数据集合中的每个数据的哈希值，得到多个哈希值集合。
在本实施例中，步骤403与图2对应实施例中的步骤203基本一致，这里不再赘述。
步骤404，将多个哈希值集合中符合第一预设存储条件的哈希值集合中的各个哈希值以及哈希值的数目，按照预先确定的第二格式，存储至第二存储空间。
在本实施例中，步骤404与图2对应实施例中的步骤204基本一致，这里不再赘述。
步骤405，针对多个哈希值集合中的每个哈希值集合，确定该哈希值集合对应的字节数组。
在本实施例中，上述电子设备还可以针对多个哈希值集合中的每个哈希值集合，确定该哈希值集合对应的字节数组。其中，字节数组中元素的位置基于哈希值集合中的各个哈希值中的前预定数量个比特位上的数据来确定，字节数组中的元素基于哈希值集合中的哈希值所表征的二进制数据中的首个1的位置来确定，字节数组的长度是预先确定的，例如，字节数组的长度可以是64比特(bit)。
示例性的，如果字节数组的长度是N(例如64)比特，步骤403所得到的子数据集合中的每个数据的哈希值的长度为L比特(例如32比特)，则需要其中的前log2N比特位(例如6比特位)上的数据来确定字节数组中元素的位置。剩下L-N比特位(例如26比特位)，则字节数组中的每个元素需要log2(L-N)比特位(例如5比特位)记录哈希值所表征的二进制数据中的首个1的位置。其中，如果哈希值的前6比特位上的数据为“000001”，则将该数据换算为十进制的数据为1，因此，可以用字节数组中的第一个元素来记录该哈希值所表征的二进制数据中的首个1的位置。
在上述示例中，当两个(或者两个以上)哈希值中的前预定数量个比特位上的数据相同(即需要字节数组中位于同一位置的元素来记录不同哈希值所表征的二进制数据中的首个1的位置)时，可以采用上述不同哈希值所表征的二进制数据中的首个1的位置靠后(或者任意位置)的哈希值中的前预定数量个比特位上的数据，按照上述步骤来确定该同一位置的元素由哪个哈希值来确定(例如由所表征的二进制数据中的首个1的位置靠后的哈希值来确定)。在这里，上述“首个1的位置靠后”可以如下确定：示例性的，如果某个哈希值所表征的二进制数据的首个1的位置为5(即二进制数据的前4位均为0，第5位为1)，另一个哈希值所表征的二进制数据的首个1的位置为3(即二进制数据的前2位均为0，第3位为1)，则首个1的位置靠后的哈希值为所表征的二进制数据的首个1的位置为5的哈希值。
按照上述步骤，上述电子设备可以确定出每个哈希值集合对应的字节数组。
步骤406，将所确定的字节数组中符合第二预设存储条件的字节数组中的非0元素以及非0元素在字节数组中的位置，按照预先确定的第三格式，存储至第三存储空间。
在本实施例中，上述电子设备还可以将所确定的字节数组中符合第二预设存储条件的字节数组中的非0元素以及非0元素在字节数组中的位置，按照预先确定的第三格式，存储至第三存储空间。
其中，第二预设存储条件可以是字节数组所占用的存储空间的大小小于该字节数组对应的哈希值集合所占用的存储空间的大小。第三格式可以是预先确定的各种格式。例如，可以用特定大小的存储空间(例如2048字节等)存储上述非0元素在其所在的字节数组中的位置，用与上述特定大小的存储空间连续的存储空间存储各个非0元素。在这里，用于存储各个非0元素的存储空间的大小可以是相同的。上述字节数组的数量与第三存储空间的数量可以是相同的。
作为示例，请继续参考图5。其中，第二存储空间501的存储空间a可以用于存储表征上述第三格式的特定字符(例如sparse等)；存储空间d可以用于存储非0元素在其所在的字节数组中的位置；每个存储空间e可以用于存储一个非0元素。上述存储空间可以是连续的存储空间。存储空间a的大小可以是1字节(也可以是其他大小)，存储空间d的大小可以是2048字节(也可以是其他大小)，每个存储空间e的大小可以是1字节(也可以是其他大小)。
步骤407，将所确定的字节数组中符合第三预设存储条件的字节数组，按照预先确定的第四格式，存储至第四存储空间。
在本实施例中，上述电子设备还可以将所确定的字节数组中符合第三预设存储条件的字节数组，按照预先确定的第四格式，存储至第四存储空间。
其中，第三预设存储条件可以是字节数组中的非0元素的数量占总元素的数量比大于预设的百分比阈值(例如80％)。第四格式可以是预先确定的各种格式。例如，可以用连续的存储空间存储字节数组中的每个元素。在这里，用于存储各个元素的存储空间的大小可以是相同的。在这里，上述字节数组的数量与第四存储空间的数量可以是相同的。
作为示例，请继续参考图6。其中，第三存储空间601的存储空间a可以用于存储表征上述第四格式的特定字符(例如full等)；每个存储空间e可以用于存储字节数组中的一个元素。上述存储空间可以是连续的存储空间。存储空间a的大小可以是1字节(也可以是其他大小)，所有存储空间e的大小可以是16384字节(也可以是其他大小)。如果字节数组符合上述第三预设存储条件，则上述电子设备可以按照上述格式将字节数组存储至第四存储空间。
需要说明的是，可以通过存储上述特定字符(例如empty、explicit、sparse、full中的一个)，来标识数据的存储格式(即第一格式、第二格式、第三格式、第四格式中的一个)。
可选的，上述预设存储条件还可以如下设置：
第一预设存储条件还可以是如下条件：用于存储哈希值集合中的各个哈希值以及哈希值的数目的存储空间小于用于存储该哈希值集合对应的字节数组中的非0元素以及非0元素在该字节数组中的位置的存储空间；
第二预设存储条件还可以是如下条件：用于存储哈希值集合中的各个哈希值以及哈希值的数目的存储空间大于等于用于存储该哈希值集合对应的字节数组中的非0元素以及非0元素在该字节数组中的位置的存储空间，并且，用于存储字节数组中的非0元素以及非0元素在该字节数组中的位置的存储空间小于等于用于存储该字节数组中的各个元素的存储空间；
第三预设存储条件还可以是如下条件：用于存储字节数组中的非0元素以及非0元素在该字节数组中的位置的存储空间大于用于存储该字节数组中的各个元素的存储空间。
可以理解，按照上述方式对第一预设存储条件、第二预设存储条件以及第三预设存储条件进行设置，可以实现如下效果：
针对每个子数据集合，通过按照上述第一格式、第二格式、第三格式或者第四格式(四种格式之一)，将该子数据集合的相关结果(例如空集、该子数据集合对应的哈希值集合中的各个哈希值以及哈希值的数目、该子数据集合对应的字节数组中的非0元素以及非0元素在字节数组中的位置、该子数据集合对应的字节数组中的各个元素)存储于第一存储空间、第二存储空间、第三存储空间或者第四存储空间(四种存储空间之一)，以实现利用相对较少的存储空间对子数据集合的相关结果进行存储。在确定用上述四种格式中的哪一种格式对数据进行存储时，首先判断利用后一种格式对数据进行存储，是否比利用前一种格式对数据进行存储更节省存储空间，如果是，则利用后一种格式对数据进行存储；如果否，则利用前一种格式对数据进行存储。可以理解，相对于直接在原始数据进行计算，本申请实施例所提供的技术方案通过提前计算并存储中间结果(即上述相关结果)，有助于加快对子数据集合的处理速度。
在本实施例的一些可选的实现方式中，上述电子设备还可以基于第一存储空间、第二存储空间、第三存储空间以及第四存储空间所存储的数据，创建物化视图。其中，物化视图可以用于预先计算并保存表连接或聚集等耗时较多的操作的结果。这样，在执行查询操作时，可以避免进行这些耗时的操作，从而快速的得到结果。可以理解，上述第一存储空间、第二存储空间、第三存储空间以及第四存储空间所存储的数据可以作为物化视图所需保存的操作结果。需要说明的是，上述物化视图的创建技术，是相关领域人员(例如数据库开发工程师等人员)普遍研究和公知的技术，在此不再赘述。在一些使用情况下，上述物化视图可以是聚合型物化视图。
在本实施例的一些可选的实现方式中，上述方法还包括：根据所确定的各个字节数组中最大的字节数组，确定目标数据集合的基数。
可以理解，字节数组中记录有各个哈希值所表征的二进制数据中的首个1的位置。该位置可以用于估算目标数据集合的基数。其中，目标数据集合的基数是目标数据集合中的不同元素(数据)的数目。
作为示例，上述电子设备可以基于Hyperloglog算法，根据所确定的各个字节数组中最大的字节数组，确定出目标数据集合的基数。
在这里，可以根据字节数组中的元素所记录的首个1的位置确定出目标数据集合的基数。例如，上述元素所记录的首个1的位置为1000(表征哈希值所表征的二进制数据的前999个数据为0，第1000个为1)，则目标数据集合的基数可以是21000。
可选的，上述电子设备还可以根据字节数组中的各个元素所记录的首个1的位置(用数字表征，例如1000)的平均数或调和平均数，按照上述方法，确定出目标数据集合的基数。例如，上述调和平均数所表征的首个1的位置为1000(表征哈希值所表征的二进制数据的前999个数据为0，第1000个为1)，则目标数据集合的基数可以是21000。
从图4中可以看出，与图2对应的实施例相比，本实施例中的用于存储数据的方法的流程400突出了确定哈希值集合对应的字节数组的步骤。由此，本实施例描述的方案可以确定用于存储字节数组对应的哈希值集合中的各个哈希值以及哈希值的数目的第二存储空间，与用于存储该字节数组中的各个非0元素在该字节数组中的位置的存储空间的大小关系，从而采用存储空间更小的存储方式对基数求解过程中所生成的中间结果进行存储，从而减小存储空间的占用，实现更灵活的数据处理，有助于进一步提高确定集合的基数的速度。
进一步参考图7，作为对上述各图所示方法的实现，本申请提供了一种用于存储数据的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图7所示，本实施例的用于存储数据的装置700包括：读取单元701、第一存储单元702、第一确定单元703和第二存储单元704。其中，读取单元701配置用于读取目标数据集合包括的多个子数据集合，其中，子数据集合由目标数据集合划分得到；第一存储单元702配置用于按照预先确定的第一格式，将多个子数据集合中的空集存储至第一存储空间；第一确定单元703配置用于确定多个子数据集合中的每个数据的哈希值，得到多个哈希值集合；第二存储单元704配置用于将多个哈希值集合中符合第一预设存储条件的哈希值集合中的各个哈希值以及哈希值的数目，按照预先确定的第二格式，存储至第二存储空间。
在本实施例中，用于存储数据的装置700的读取单元701可以通过有线连接方式或者无线连接方式从其他电子设备(例如终端设备)读取目标数据集合包括的多个子数据集合。其中，子数据集合由目标数据集合划分得到。目标数据可以是任意类型的数据。包括但不限于以下至少一项：数字、字符、结构体、数组。目标数据可以是符合特定条件的数据。例如，上述特定条件可以是值大于10，也可以是性别为男等等。需要说明的是，上述目标数据集合中可以包括相同的元素(即数据)。上述目标数据集合中所包括元素的数目可以是10亿、100亿(大数据数量级)等。子数据集合可以是但不限于按照如下方式划分的：基于上述读取单元701单次可以读取的最大数据量对目标数据进行划分；基于分布式流式数据统计对目标数据进行划分。可以理解，目标数据集合可以由划分得到的多个子数据集合组成。
在本实施例中，基于读取单元701得到的多个子数据集合，上述第一存储单元702可以按照预先确定的第一格式，将多个子数据集合中的空集存储至第一存储空间。其中，第一格式可以是预先确定的各种格式。例如，可以用特定字符(例如null、空等)表征上述第一格式。第一存储空间的大小可以是1字节、2字节等等。在这里，上述第一存储单元702可以将每个空集存储至一个第一存储空间。
在本实施例中，上述第一确定单元703可以确定所读取的多个子数据集合中的每个数据的哈希值，得到多个哈希值集合。其中，所得到的哈希值集合的数量与所读取的子数据集合的数量相等。可以理解，可以通过但不限于如下算法确定数据的哈希值：安全散列算法(Secure Hash Algorithm，SHA)、消息摘要(Message Digest，MD)算法。
在本实施例中，上述第二存储单元704可以将第一确定单元703所得到的哈希值集合中符合第一预设存储条件的哈希值集合中的各个哈希值以及哈希值的数目，按照预先确定的第二格式，存储至第二存储空间。其中，第一预设存储条件可以是哈希值集合所占用的存储空间的大小小于预先确定的存储空间大小(例如1024比特等)。第二格式可以是预先确定的各种格式。例如，可以用特定大小的存储空间(例如4字节、8字节等)存储上述数目，用与上述特定大小的存储空间连续的存储空间存储各个哈希值。在这里，用于存储各个哈希值的存储空间的大小可以是相同的。上述符合第一预设存储条件的哈希值集合的数量与第二存储空间的数量可以是相同的。
在一些使用情况下，上述装置还可以基于Hyperloglog算法确定出每个哈希值集合对应的字节数组。然后将所确定的字节数组中符合第二预设存储条件的字节数组中的非0元素以及非0元素在字节数组中的位置，按照预先确定的第三格式，存储至第三存储空间。其中，第二预设存储条件可以是字节数组所占用的存储空间的大小小于该字节数组对应的哈希值集合所占用的存储空间的大小。第三格式可以是预先确定的各种格式。例如，可以用特定大小的存储空间(例如2048字节等)存储上述非0元素在其所在的字节数组中的位置，用与上述特定大小的存储空间连续的存储空间存储各个非0元素。在这里，用于存储各个非0元素的存储空间的大小可以是相同的。上述字节数组的数量与第三存储空间的数量可以是相同的。
在一些使用情况下，上述装置还可以将所确定的字节数组中符合第三预设存储条件的字节数组，按照预先确定的第四格式，存储至第四存储空间。其中，第三预设存储条件可以是字节数组中的非0元素的数量占总元素的数量比大于预设的百分比阈值(例如80％)。第四格式可以是预先确定的各种格式。例如，可以用连续的存储空间存储字节数组中的每个元素。在这里，用于存储各个元素的存储空间的大小可以是相同的。上述字节数组的数量与第四存储空间的数量可以是相同的。
在本实施例的一些可选的实现方式中，上述装置还包括：第二确定单元(图中未示出)配置用于针对多个哈希值集合中的每个哈希值集合，确定该哈希值集合对应的字节数组，其中，字节数组中元素的位置基于哈希值集合中的各个哈希值中的前预定数量个比特位上的数据来确定，字节数组中的元素基于哈希值集合中的哈希值所表征的二进制数据中的首个1的位置来确定，字节数组的长度是预先确定的，例如，字节数组的长度可以是64比特(bit)。
示例性的，如果字节数组的长度是N(例如64)比特，步骤403所得到的子数据集合中的每个数据的哈希值的长度为L比特(例如32比特)，则需要其中的前log2N比特位(例如6比特位)上的数据来确定字节数组中元素的位置。剩下L-N比特位(例如26比特位)，则字节数组中的每个元素需要log2(L-N)比特位(例如5比特位)记录哈希值所表征的二进制数据中的首个1的位置。其中，如果哈希值的前6比特位上的数据为“000001”，则将该数据换算为十进制的数据为1，因此，可以用字节数组中的第一个元素来记录该哈希值所表征的二进制数据中的首个1的位置。
在上述示例中，当两个(或者两个以上)哈希值中的前预定数量个比特位上的数据相同(即需要字节数组中位于同一位置的元素来记录不同哈希值所表征的二进制数据中的首个1的位置)时，可以采用上述不同哈希值所表征的二进制数据中的首个1的位置靠后(或者任意位置)的哈希值中的前预定数量个比特位上的数据，按照上述步骤来确定该同一位置的元素，由哪个哈希值来确定。在这里，上述“首个1的位置靠后”可以如下确定：示例性的，如果某个哈希值所表征的二进制数据的首个1的位置为5(即二进制数据的前4位均为0，第5位为1)，另一个哈希值所表征的二进制数据的首个1的位置为3(即二进制数据的前2位均为0，第3位为1)，则首个1的位置靠后的哈希值为所表征的二进制数据的首个1的位置为5的哈希值。
按照上述步骤，上述装置可以确定出每个哈希值集合对应的字节数组。
在本实施例的一些可选的实现方式中,上述装置还包括：第三存储单元(图中未示出)配置用于将所确定的字节数组中符合第二预设存储条件的字节数组中的非0元素以及非0元素在字节数组中的位置，按照预先确定的第三格式，存储至第三存储空间。
其中，第二预设存储条件可以是字节数组所占用的存储空间的大小小于该字节数组对应的哈希值集合所占用的存储空间的大小。第三格式可以是预先确定的各种格式。例如，可以用特定大小的存储空间(例如2048字节等)存储上述非0元素在其所在的字节数组中的位置，用与上述特定大小的存储空间连续的存储空间存储各个非0元素。在这里，用于存储各个非0元素的存储空间的大小可以是相同的。上述字节数组的数量与第三存储空间的数量可以是相同的。
在本实施例的一些可选的实现方式中,上述装置还包括：第四存储单元(图中未示出)配置用于将所确定的字节数组中符合第三预设存储条件的字节数组，按照预先确定的第四格式，存储至第四存储空间。
其中，第三预设存储条件可以是字节数组中的非0元素的数量占总元素的数量比大于预设的百分比阈值(例如80％)。第四格式可以是预先确定的各种格式。例如，可以用连续的存储空间存储字节数组中的每个元素。在这里，用于存储各个元素的存储空间的大小可以是相同的。在这里，上述字节数组的数量与第四存储空间的数量可以是相同的。
可选的，上述预设存储条件还可以如下设置：
第一预设存储条件还可以是如下条件：用于存储哈希值集合中的各个哈希值以及哈希值的数目的存储空间小于用于存储该哈希值集合对应的字节数组中的非0元素以及非0元素在该字节数组中的位置的存储空间；
第二预设存储条件还可以是如下条件：用于存储哈希值集合中的各个哈希值以及哈希值的数目的存储空间大于等于用于存储该哈希值集合对应的字节数组中的非0元素以及非0元素在该字节数组中的位置的存储空间，并且，用于存储字节数组中的非0元素以及非0元素在该字节数组中的位置的存储空间小于等于用于存储该字节数组中的各个元素的存储空间；
第三预设存储条件还可以是如下条件：用于存储字节数组中的非0元素以及非0元素在该字节数组中的位置的存储空间大于用于存储该字节数组中的各个元素的存储空间。
可以理解，按照上述方式对第一预设存储条件、第二预设存储条件以及第三预设存储条件进行设置，可以实现如下效果：
针对每个子数据集合，通过按照上述第一格式、第二格式、第三格式或者第四格式(四种格式之一)，将该子数据集合的相关结果(例如空集、该子数据集合对应的哈希值集合中的各个哈希值以及哈希值的数目、该子数据集合对应的字节数组中的非0元素以及非0元素在字节数组中的位置、该子数据集合对应的字节数组中的各个元素)存储于第一存储空间、第二存储空间、第三存储空间或者第四存储空间(四种存储空间之一)，以实现利用相对较少的存储空间对子数据集合的相关结果进行存储。在确定采用上述四种格式中的哪一种格式对数据进行存储时，首先判断利用后一种格式对数据进行存储，是否比利用前一种格式对数据进行存储更节省存储空间，如果是，则利用后一种格式对数据进行存储；如果否，则利用前一种格式对数据进行存储。可以理解，相对于直接在原始数据进行计算，本申请实施例所提供的技术方案通过提前计算并存储中间结果(即上述相关结果)，有助于加快对子数据集合的处理速度。
在本实施例的一些可选的实现方式中,上述装置还包括：创建单元(图中未示出)配置用于基于第一存储空间、第二存储空间、第三存储空间以及第四存储空间所存储的数据，创建物化视图。其中，物化视图可以用于预先计算并保存表连接或聚集等耗时较多的操作的结果。这样，在执行查询操作时，可以避免进行这些耗时的操作，从而快速的得到结果。可以理解，上述第一存储空间、第二存储空间、第三存储空间以及第四存储空间所存储的数据可以作为物化视图所需保存的操作结果。需要说明的是，上述物化视图的创建技术，是相关领域人员(例如数据库开发工程师等人员)普遍研究和公知的技术，在此不再赘述。在一些使用请款下，上述物化视图可以是聚合型物化视图。
在本实施例的一些可选的实现方式中,上述装置还包括：第三确定单元(图中未示出)配置用于根据所确定的字节数组中最大的字节数组，确定目标数据集合的基数。
作为示例，上述装置可以基于Hyperloglog算法，根据所确定的各个字节数组中最大的字节数组，确定出目标数据集合的基数。
可以理解，字节数组中记录有各个哈希值所表征的二进制数据中的首个1的位置。该位置可以用于估算目标数据集合的基数。其中，目标数据集合的基数是目标数据集合中的不同元素(数据)的数目。
本申请的上述实施例提供的装置，通过读取单元701读取目标数据集合包括的多个子数据集合，然后第一存储单元702按照预先确定的第一格式，将多个子数据集合中的空集存储至第一存储空间，之后第一确定单元703确定多个子数据集合中的每个数据的哈希值，得到多个哈希值集合，最后第二存储单元704将多个哈希值集合中符合第一预设存储条件的哈希值集合中的各个哈希值以及哈希值的数目，按照预先确定的第二格式，存储至第二存储空间，从而有效利用了求解过程中的中间结果，基于对中间结果的存储，实现了对原始数据的提前处理，有助于快速确定集合的基数，提高了数据处理的灵活性。
下面参考图8，其示出了适于用来实现本申请实施例的终端设备/服务器的计算机系统800的结构示意图。图8示出的终端设备/服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图8所示，计算机系统800包括中央处理单元(CPU)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有系统800操作所需的各种程序和数据。CPU 801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
以下部件连接至I/O接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU)801执行时，执行本申请的方法中限定的上述功能。
需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括读取单元、第一存储单元、第一确定单元和第二存储单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，读取单元还可以被描述为“读取目标数据集合包括的多个子数据集合的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的服务器中所包含的；也可以是单独存在，而未装配入该服务器中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该服务器执行时，使得该服务器：读取目标数据集合包括的多个子数据集合，其中，子数据集合由目标数据集合划分得到；按照预先确定的第一格式，将多个子数据集合中的空集存储至第一存储空间；确定多个子数据集合中的每个数据的哈希值，得到多个哈希值集合；将多个哈希值集合中符合第一预设存储条件的哈希值集合中的各个哈希值以及哈希值的数目，按照预先确定的第二格式，存储至第二存储空间。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。