update readme

91 Algorithms In Big Data/Bitmap.md

@@ -1,16 +1,16 @@
-
-
-## Bitmap
+# Bitmap
 
 也就是用1个(或几个)bit位来标记某个元素对应的value(如果是1bitmap，就只能是元素是否存在;如果是x-bitmap,还可以是元素出现的次数等信息)。使用bit位来存储信息，在需要的存储空间方面可以大大节省。应用场景有：
 
 
-1. 排序（如果是1-bitmap,就只能对无重复的数排序）
-2. 判断某个元素是否存在
+1. 判断某个元素是否存在
+2. 排序（如果是1-bitmap,就只能对无重复的数排序）
+
 
 比如，某文件中有若干8位数字的电话号码，要求统计一共有多少个不同的电话号码？
 
-分析：8位最多99 999 999, 如果1Byte表示1个号码是否存在，需要95MB空间，但是如果1bit表示1个号码是否存在，则只需要 95/8=12MB 的空间。这时，数字k(0~99 999 999)与bit位的对应关系是：
+分析：8位最多99 999 999, 如果1Byte表示1个号码是否存在，需要95MB空间，但是如果1bit表示1个号码是否存在，则只需要 95/8=12MB 的空间。这时，数字 `k(0~99 999 999)`与bit位的对应关系是：
+
 
 ```
 #define SIZE 15*1024*1024

91 Algorithms In Big Data/Bloomfilter.md

@@ -1,4 +1,3 @@
-
 # Bloom filter(布隆过滤器)
 
 Bloom Filter是由Bloom在1970年提出的一种多哈希函数映射的快速查找算法。通常应用在海量数据处理中，一些需要快速判断某个元素是否属于集合，但是并不严格要求100%正确的场合（容忍错误的场景）。

91 Algorithms In Big Data/Inverted Index/倒排索引(Inverted Index).md

@@ -1,5 +1,4 @@
-
-## 倒排索引(Inverted Index)
+# 倒排索引(Inverted Index)
 
 
 常规的索引是文档到关键词的映射，就是每个文档指向一个它所包含的索引项的序列，也就是文档文档指向了它包含的索引项序列，也就是文档指向它包含的哪些单词。

91 Algorithms In Big Data/Inverted Index/数据库索引.md

@@ -1,5 +1,4 @@
-
-## 数据库索引
+# 数据库索引
 
 索引使用的数据结构多是B树或B+树。B树和B+树广泛应用于文件存储系统和数据库系统中，mysql使用的是B+树，oracle使用的是B树，Mysql也支持多种索引类型，如b-tree 索引，哈希索引，全文索引等。
 

91 Algorithms In Big Data/README.md

@@ -6,15 +6,15 @@
 针对空间，就一个办法，大而化小，分而治之。常采用hash映射
 
 
-* Hash映射/分而治之
-* Bitmap
-* Bloom filter(布隆过滤器)
-* 双层桶划分
-* Trie树
-* 数据库索引
+* [Hash映射,分而治之](Hash映射,分而治之.md)
+* [Bitmap](Bitmap.md)
+* [Bloom filter(布隆过滤器)](Bloomfilter.md)
+* [双层桶划分](双层桶划分.md)
+* [Trie树](../4%20Tree/4-字典树Trie/README.md)
+* [数据库索引](Inverted%20Index/数据库索引.md)
 * 倒排索引(Inverted Index)
-* 外排序
-* simhash算法
+* [外排序](../6%20Sort/外排序.md)
+* [simhash算法](simhash算法.md)
 * 分布处理之Mapreduce
 
 

91 Algorithms In Big Data/双层桶划分.md

@@ -1,6 +1,4 @@
-
-
-## 双层桶划分
+# 双层桶划分
 
 双层桶不是一种数据结构，只是一种算法思维。分而治之思想。