1.布隆过滤器是什么
2.布隆过滤器的特点
3.布隆过滤器应用场景
4.布隆过滤器原理
5.布隆过滤器优缺点
6.布隆过滤器利用
7.总结
1.布隆过滤器是什么
redis的布隆过滤器其实有点像咱们之前学习过的hyperloglog 深刻了解redis——新类型bitmap/hyperloglgo/GEO ，它也是不保留元素的一个汇合，它也不保留元素的具体内容，然而能断定这个元素是否在这个汇合中存在（hyperloglog是断定汇合中存在的不反复元素的个数）。
1）它是由一个初值都为零的bit数组和多个哈希函数形成，用来疾速判断某个数据是否存在。
2）实质就是判断具体数据存不存在一个大的汇合中。
3）布隆过滤器是一种相似set的数据结构，只是统计后果不太精确
2.布隆过滤器的特点
1）一个元素如果在布隆过滤器里断定后果为不存在，则肯定不存在
2）一个元素在布隆过滤器里断定结果存在，则不肯定存在（原理会在上面解释）
3）布隆过滤器能够增加元素，然而不能删除元素，删除元素会导致误判率减少。
4）误判只会产生在过滤器没有增加过的元素，对于已经增加过的元素不会产生误判。
3.布隆过滤器应用场景
1）解决缓存穿透的问题：
缓存穿透是什么：
个别状况下，咱们在查问数据的时候，如果用到redis，那么先去查redis，如果缓存中没有，再去查数据库，如果数据库中也不存在，那么就产生了缓存穿透。
当产生缓存穿透的时候，可能会有大量的查问直击mysql，肯定水平上会拖垮数据库。
解决方案：
1.1）给空key设置一个空value.
然而当大量空key进去的时候，也相当于查了很屡次mysql，也可能会拖垮数据库。
1.2）应用布隆过滤器
把已存在的key保留在布隆过滤器中，相当于redis后面有一层布隆过滤器的爱护。
当呈现申请的时候：
1.2.1）先去查问布隆过滤器是否存在（如果布隆过滤器返回为不存在，那是肯定不存在。）
1.2.2）如果存在，才去redis，甚至mysql查问，如果不存在，间接返回。
2）黑白名单的问题：
解决原理同上，把黑名单全副放入布隆过滤器，再进行过滤。
3）海量数据查找是否存在的问题都能够用布隆过滤器。（比方现有50亿个电话号码，和10万个电话号码，疾速精确地断定号码是否存在。）
4.布隆过滤器原理
布隆过滤器应用了多个Hash函数和一个初始值都为0的bit大型数组形成。
add：
比方咱们当初有一个对象obj1，它先用多个hash函数失去多个不同的值，再拿数组长度进行对这多个值取模失去多个地位，将这几个地位置为1，就实现了add操作。
query:
查问的时候，只有多个哈希函数算进去的下标其中有一位是0就代表这个key不存在，如果都是1，可能是存在，则可能遇上了哈希抵触（这就是为什么，布隆过滤器，无是肯定无，有可能有）。
为什么布隆过滤器不能删除：
如果布隆过滤器删除了一个元素，就是将某个对象的多个下标置为了0，就大概率会影响到别的元素，因为很可能多个元素共享了某一个下标，所以删除元素会导致误判率减少。
5.布隆过滤器优缺点
长处：高效地插入和查问，占用空间少
毛病：不能删除元素，存在误判。
6.布隆过滤器利用
public class RedissonBloomFilterDemo {
public static final int _1W = 10000;
//布隆过滤器里预计要插入多少数据
public static int size = 100 * _1W;
//误判率,它越小误判的个数也就越少
public static double fpp = 0.03;
static RedissonClient redissonClient = null;
static RBloomFilter rBloomFilter = null;
static {
Config config = new Config();
config.useSingleServer().setAddress("redis://192.168.111.147:6379").setDatabase(0);
//结构redisson
redissonClient = Redisson.create(config);
//通过redisson结构rBloomFilter
rBloomFilter = redissonClient.getBloomFilter("phoneListBloomFilter", new StringCodec());
//初始化布隆过滤器
rBloomFilter.tryInit(size, fpp);
// 1测试 布隆过滤器有+redis有
rBloomFilter.add("10086");
redissonClient.getBucket("10086", new StringCodec()).set("chinamobile10086");
// 2测试 布隆过滤器有+redis无
//rBloomFilter.add("10087");
//3 测试 ，都没有
}
public static void main(String[] args) {
String phoneListById = getPhoneListById("10087");
System.out.println("------查问进去的后果： " + phoneListById);
//暂停几秒钟线程
try {
TimeUnit.SECONDS.sleep(1);
} catch (InterruptedException e) {
e.printStackTrace();
}
redissonClient.shutdown();
}
private static String getPhoneListById(String IDNumber) {
String result = null;
if (IDNumber == null) {
return null;
}
//1 先去布隆过滤器外面查问
if (rBloomFilter.contains(IDNumber)) {
//2 布隆过滤器里有，再去redis外面查问
RBucket rBucket = redissonClient.getBucket(IDNumber, new StringCodec());
result = rBucket.get();
if (result != null) {
return "i come from redis: " + result;
} else {
result = getPhoneListByMySQL(IDNumber);
if (result == null) {
return null;
}
// 从新将数据更新回redis
redissonClient.getBucket(IDNumber, new StringCodec()).set(result);
}
return "i come from mysql: " + result;
}
return result;
}
private static String getPhoneListByMySQL(String IDNumber) {
return "chinamobile" + IDNumber;
}
}
7.总结
明天学习和总结了布隆过滤器，它是一种不保留数据，然而能断定数据是否在汇合中存在的一种数据类型。
发表回复