一道大数据量算法的面试题，有兴趣的给点思路
题目：在500000个html文件中存在电话号码，请将电话号码无重复提取出来。分析：
A、提取
B、去重：BitMap,BloomFilter
难点：提取该如果做呢？ 大数据，面试，bloomfilter --------------------编程问答-------------------- 按行读取，然后用正则把电话号码取出来 --------------------编程问答--------------------
BitMap,BloomFilter这两个是什么类，api里面没查到就是正则提电话吧，然后用个线程安全的Set来保存，这样可以多线程读取 --------------------编程问答-------------------- 之前网上看到的：
给你一堆西安市的电话号码列表，数量大概在千万级，
要求从中找出所有重复的电话号码，需要时间复杂度尽可能小。
目前西安市的电话号码大概都以8开头，为8位，也就是
类似于82678578这样子
二重暴力搜索时间复杂度太高，这里我们不予考虑。
容易想到的办法就是建立一个标志数组，
int boolean都行，用相应的位置值来代替这个号码是否出现，
根据数组的可直接存取特性，来提高效率。
但是你是否想过或测试过
int[] a = new int[100000000];
boolean[] a = new boolean[100000000];
这样类似的语句是否可以通过编译并且执行。
再仔细思考下，就会发现，int型的字段太过于占空间，我们只需要知道这个号码存在与否，
所以最简单的0和1就够用了，能表示0和1的最小存储单位是什么呢？
是内存中的一位。
OK，这就是bitmap的思想。
将西安市的电话号码去掉开头的8，就可以将其映射到一个1到10000000的数组中。
8bit是1byte,1024byte是1kb,1024kb是1mb
所以10000000个bit占用的空间为
10000000/8/1024/1024mb大概为1mb多些，
这对于现在大家动不动几G的内存来说，完全是小菜一碟。
同时，java中也有对应的实现，java.util.BitSet。
我个人看法是提取号码用IO流实现，然后构建一个BitSet数组，
//创建一个具有11位的bitset 初始所有位的值为false
java.util.BitSet bitSet = new java.util.BitSet(10000000000);
// 依次将读取到的号码在bitset中的位置值设为true
bitSet.set(134XXXXXXXX, true);
// 设置完后，再获取为true的号码。
// 没试验过，有错误请大家指正。。
补充：Java , Java SE
