乐趣区

关于java:不了解布隆过滤器一文给你整的明明白白

jiezi

海量数据处理以及缓存穿透这两个场景让我意识了 布隆过滤器，我查阅了一些材料来理解它，然而很多现成材料并不满足我的需要，所以就决定本人总结一篇对于布隆过滤器的文章。心愿通过这篇文章让更多人理解布隆过滤器，并且会理论去应用它！

上面咱们将分为几个方面来介绍布隆过滤器：

  1. 什么是布隆过滤器？
  2. 布隆过滤器的原理介绍。
  3. 布隆过滤器应用场景。
  4. 通过 Java 编程手动实现布隆过滤器。
  5. 利用 Google 开源的 Guava 中自带的布隆过滤器。
  6. Redis 中的布隆过滤器。

1. 什么是布隆过滤器？

首先，咱们须要理解布隆过滤器的概念。

布隆过滤器（Bloom Filter）是一个叫做 Bloom 的老哥于 1970 年提出的。咱们能够把它看作由二进制向量（或者说位数组）和一系列随机映射函数（哈希函数）两局部组成的数据结构。相比于咱们平时罕用的的 List、Map、Set 等数据结构，它占用空间更少并且效率更高，然而毛病是其返回的后果是概率性的，而不是十分精确的。实践状况下增加到汇合中的元素越多，误报的可能性就越大。并且，寄存在布隆过滤器的数据不容易删除。

位数组中的每个元素都只占用 1 bit，并且每个元素只能是 0 或者 1。这样申请一个 100w 个元素的位数组只占用 1000000Bit / 8 = 125000 Byte = 125000/1024 kb ≈ 122kb 的空间。

总结：一个名叫 Bloom 的人提出了一种来检索元素是否在给定大汇合中的数据结构，这种数据结构是高效且性能很好的，但毛病是具备肯定的谬误识别率和删除难度。并且，实践状况下，增加到汇合中的元素越多，误报的可能性就越大。

2. 布隆过滤器的原理介绍

当一个元素退出布隆过滤器中的时候，会进行如下操作：

  1. 应用布隆过滤器中的哈希函数对元素值进行计算，失去哈希值（有几个哈希函数失去几个哈希值）。
  2. 依据失去的哈希值，在位数组中把对应下标的值置为 1。

当咱们须要判断一个元素是否存在于布隆过滤器的时候，会进行如下操作：

  1. 对给定元素再次进行雷同的哈希计算；
  2. 失去值之后判断位数组中的每个元素是否都为 1，如果值都为 1，那么阐明这个值在布隆过滤器中，如果存在一个值不为 1，阐明该元素不在布隆过滤器中。

举个简略的例子：

如图所示，当字符串存储要退出到布隆过滤器中时，该字符串首先由多个哈希函数生成不同的哈希值，而后在对应的位数组的下表的元素设置为 1（当位数组初始化时，所有地位均为 0）。当第二次存储雷同字符串时，因为先前的对应地位已设置为 1，所以很容易晓得此值曾经存在（去重十分不便）。

如果咱们须要判断某个字符串是否在布隆过滤器中时，只须要对给定字符串再次进行雷同的哈希计算，失去值之后判断位数组中的每个元素是否都为 1，如果值都为 1，那么阐明这个值在布隆过滤器中，如果存在一个值不为 1，阐明该元素不在布隆过滤器中。

不同的字符串可能哈希进去的地位雷同，这种状况咱们能够适当减少位数组大小或者调整咱们的哈希函数。

综上，咱们能够得出：布隆过滤器说某个元素存在，小概率会误判。布隆过滤器说某个元素不在，那么这个元素肯定不在。

3. 布隆过滤器应用场景

  1. 判断给定数据是否存在：比方判断一个数字是否存在于蕴含大量数字的数字集中（数字集很大，5 亿以上！）、避免缓存穿透（判断申请的数据是否无效防止间接绕过缓存申请数据库）等等、邮箱的垃圾邮件过滤、黑名单性能等等。
  2. 去重：比方爬给定网址的时候对曾经爬取过的 URL 去重。

4. 通过 Java 编程手动实现布隆过滤器

咱们下面曾经说了布隆过滤器的原理，晓得了布隆过滤器的原理之后就能够本人手动实现一个了。

如果你想要手动实现一个的话，你须要：

  1. 一个适合大小的位数组保留数据
  2. 几个不同的哈希函数
  3. 增加元素到位数组（布隆过滤器）的办法实现
  4. 判断给定元素是否存在于位数组（布隆过滤器）的办法实现。

上面给出一个我感觉写的还算不错的代码（参考网上已有代码改良失去，对于所有类型对象皆实用）：

import java.util.BitSet;

public class MyBloomFilter {

    /**
     * 位数组的大小
     */
    private static final int DEFAULT_SIZE = 2 << 24;
    /**
     * 通过这个数组能够创立 6 个不同的哈希函数
     */
    private static final int[] SEEDS = new int[]{3, 13, 46, 71, 91, 134};

    /**
     * 位数组。数组中的元素只能是 0 或者 1
     */
    private BitSet bits = new BitSet(DEFAULT_SIZE);

    /**
     * 寄存蕴含 hash 函数的类的数组
     */
    private SimpleHash[] func = new SimpleHash[SEEDS.length];

    /**
     * 初始化多个蕴含 hash 函数的类的数组，每个类中的 hash 函数都不一样
     */
    public MyBloomFilter() {
        // 初始化多个不同的 Hash 函数
        for (int i = 0; i < SEEDS.length; i++) {func[i] = new SimpleHash(DEFAULT_SIZE, SEEDS[i]);
        }
    }

    /**
     * 增加元素到位数组
     */
    public void add(Object value) {for (SimpleHash f : func) {bits.set(f.hash(value), true);
        }
    }

    /**
     * 判断指定元素是否存在于位数组
     */
    public boolean contains(Object value) {
        boolean ret = true;
        for (SimpleHash f : func) {ret = ret && bits.get(f.hash(value));
        }
        return ret;
    }

    /**
     * 动态外部类。用于 hash 操作！*/
    public static class SimpleHash {

        private int cap;
        private int seed;

        public SimpleHash(int cap, int seed) {
            this.cap = cap;
            this.seed = seed;
        }

        /**
         * 计算 hash 值
         */
        public int hash(Object value) {
            int h;
            return (value == null) ? 0 : Math.abs(seed * (cap - 1) & ((h = value.hashCode()) ^ (h >>> 16)));
        }

    }
}

测试：

        String value1 = "https://javaguide.cn/";
        String value2 = "https://github.com/Snailclimb";
        MyBloomFilter filter = new MyBloomFilter();
        System.out.println(filter.contains(value1));
        System.out.println(filter.contains(value2));
        filter.add(value1);
        filter.add(value2);
        System.out.println(filter.contains(value1));
        System.out.println(filter.contains(value2));

Output:

false
false
true
true

测试：

        Integer value1 = 13423;
        Integer value2 = 22131;
        MyBloomFilter filter = new MyBloomFilter();
        System.out.println(filter.contains(value1));
        System.out.println(filter.contains(value2));
        filter.add(value1);
        filter.add(value2);
        System.out.println(filter.contains(value1));
        System.out.println(filter.contains(value2));

Output:

false
false
true
true

5. 利用 Google 开源的 Guava 中自带的布隆过滤器

本人实现的目标次要是为了让本人搞懂布隆过滤器的原理，Guava 中布隆过滤器的实现算是比拟权威的，所以理论我的项目中咱们不须要手动实现一个布隆过滤器。

首先咱们须要在我的项目中引入 Guava 的依赖：

        <dependency>
            <groupId>com.google.guava</groupId>
            <artifactId>guava</artifactId>
            <version>28.0-jre</version>
        </dependency>

理论应用如下：

咱们创立了一个最多寄存 最多 1500 个整数的布隆过滤器，并且咱们能够容忍误判的概率为百分之（0.01）

        // 创立布隆过滤器对象
        BloomFilter<Integer> filter = BloomFilter.create(Funnels.integerFunnel(),
                1500,
                0.01);
        // 判断指定元素是否存在
        System.out.println(filter.mightContain(1));
        System.out.println(filter.mightContain(2));
        // 将元素增加进布隆过滤器
        filter.put(1);
        filter.put(2);
        System.out.println(filter.mightContain(1));
        System.out.println(filter.mightContain(2));

在咱们的示例中，当 mightContain（） 办法返回true 时，咱们能够 99%确定该元素在过滤器中，当过滤器返回 false 时，咱们能够 100%确定该元素不存在于过滤器中。

Guava 提供的布隆过滤器的实现还是很不错的（想要具体理解的能够看一下它的源码实现），然而它有一个重大的缺点就是只能单机应用（另外，容量扩大也不容易），而当初互联网个别都是分布式的场景。为了解决这个问题，咱们就须要用到 Redis 中的布隆过滤器了。

6.Redis 中的布隆过滤器

[](https://github.com/Snailclimb…

Redis v4.0 之后有了 Module（模块 / 插件）性能，Redis Modules 让 Redis 能够应用内部模块扩大其性能。布隆过滤器就是其中的 Module。详情能够查看 Redis 官网对 Redis Modules 的介绍：https://redis.io/modules

另外，官网举荐了一个 RedisBloom 作为 Redis 布隆过滤器的 Module, 地址：https://github.com/RedisBloom/RedisBloom. 其余还有：

  • redis-lua-scaling-bloom-filter（lua 脚本实现）：https://github.com/erikdubbelboer/redis-lua-scaling-bloom-filter
  • pyreBloom（Python 中的疾速 Redis 布隆过滤器）：https://github.com/seomoz/pyreBloom
  • 《2020 最新 Java 根底精讲视频教程和学习路线！》
  • ……

RedisBloom 提供了多种语言的客户端反对，包含：Python、Java、JavaScript 和 PHP。

6.2 应用 Docker 装置

如果咱们须要体验 Redis 中的布隆过滤器非常简单，通过 Docker 就能够了！咱们间接在 Google 搜寻docker redis bloomfilter 而后在排除广告的第一条搜素后果就找到了咱们想要的答案（这是我平时解决问题的一种形式，分享一下），具体地址：https://hub.docker.com/r/redislabs/rebloom/（介绍的很具体）。

具体操作如下：

➜  ~ docker run -p 6379:6379 --name redis-redisbloom redislabs/rebloom:latest
➜  ~ docker exec -it redis-redisbloom bash
root@21396d02c252:/data# redis-cli
127.0.0.1:6379>

6.3 常用命令一览

留神：key: 布隆过滤器的名称，item : 增加的元素。

  1. BF.ADD ：将元素增加到布隆过滤器中，如果该过滤器尚不存在，则创立该过滤器。格局：BF.ADD {key} {item}。
  2. BF.MADD : 将一个或多个元素增加到“布隆过滤器”中，并创立一个尚不存在的过滤器。该命令的操作形式 BF.ADD 与之雷同，只不过它容许多个输出并返回多个值。格局：BF.MADD {key} {item} [item ...]。
  3. BF.EXISTS : 确定元素是否在布隆过滤器中存在。格局：BF.EXISTS {key} {item}。
  4. BF.MEXISTS：确定一个或者多个元素是否在布隆过滤器中存在格局：BF.MEXISTS {key} {item} [item ...]。

另外，BF.RESERVE 命令须要独自介绍一下：

这个命令的格局如下：

BF.RESERVE {key} {error_rate} {capacity} [EXPANSION expansion] 。

上面简略介绍一下每个参数的具体含意：

  1. key：布隆过滤器的名称
  2. error_rate : 误报的冀望概率。这应该是介于 0 到 1 之间的十进制值。例如，对于冀望的误报率 0.1%（1000 中为 1），error_rate 应该设置为 0.001。该数字越靠近零，则每个我的项目的内存耗费越大，并且每个操作的 CPU 使用率越高。
  3. capacity: 过滤器的容量。当理论存储的元素个数超过这个值之后，性能将开始降落。理论的降级将取决于超出限度的水平。随着过滤器元素数量呈指数增长，性能将线性降落。

可选参数：

  • expansion：如果创立了一个新的子过滤器，则其大小将是以后过滤器的大小乘以expansion。默认扩大值为 2。这意味着每个后续子过滤器将是前一个子过滤器的两倍。

6.4 理论应用

127.0.0.1:6379> BF.ADD myFilter java
(integer) 1
127.0.0.1:6379> BF.ADD myFilter javaguide
(integer) 1
127.0.0.1:6379> BF.EXISTS myFilter java
(integer) 1
127.0.0.1:6379> BF.EXISTS myFilter javaguide
(integer) 1
127.0.0.1:6379> BF.EXISTS myFilter github
(integer) 0
退出移动版