后面咱们曾经讲过布隆过滤器的原理【实战问题】-- 缓存穿透之布隆过滤器（1），都了解是这么运行的，那么个别咱们应用布隆过滤器，是怎么去应用呢？如果本人去实现，又是怎么实现呢？
[TOC]
布隆过滤器
再念一次定义：
布隆过滤器（Bloom Filter）是由布隆（Burton Howard Bloom）在 1970 年提出的，它实际上是由一个很长的二进制向量和一系列随机hash映射函数组成（说白了，就是用二进制数组存储数据的特色）。
譬如上面例子：有三个hash函数，那么“陈六”就会被三个hash函数别离hash，并且对位数组的长度，进行取余，别离hash到三个地位。
如果对原理还有不了解的中央，能够查看我的上一篇文章。
手写布隆过滤器
那么咱们手写布隆过滤器的时候，首先须要一个位数组，在Java外面有一个封装好的位数组，BitSet。
简略介绍一下BitSet，也就是位图，外面实现了应用紧凑的存储空间来示意大空间的位数据。应用的时候，咱们能够间接指定大小，也就是相当于创立出指定大小的位数组。
BitSet bits = new BitSet(size);同时，BitSet提供了大量的API，根本的操作次要包含：
- 清空位数组的数据
- 翻转某一位的数据
- 设置某一位的数据
- 获取某一位的数据
- 获取以后的
bitSet的位数
上面就讲一下，写一个简略的布隆过滤器须要思考的点：
- 位数组的大小空间，须要指定，其余雷同的时候，位数组的大小越大，
hash抵触的可能性越小。 - 多个
hash函数，咱们须要应用hash数组来存，hash函数须要如何设置呢？为了防止抵触，咱们应该应用多个不同的质数来当种子。 - 办法：次要实现两个办法，一个往布隆过滤器外面增加元素，另一个是判断布隆过滤器是否蕴含某个元素。
上面是具体的实现,只是简略的模仿，不可用于生产环境，hash函数较为简单，次要是应用hash值得高下位进行异或，而后乘以种子，再对位数组大小进行取余数：
import java.util.BitSet;public class MyBloomFilter { // 默认大小 private static final int DEFAULT_SIZE = Integer.MAX_VALUE; // 最小的大小 private static final int MIN_SIZE = 1000; // 大小为默认大小 private int SIZE = DEFAULT_SIZE; // hash函数的种子因子 private static final int[] HASH_SEEDS = new int[]{3, 5, 7, 11, 13, 17, 19, 23, 29, 31}; // 位数组，0/1,示意特色 private BitSet bitSet = null; // hash函数 private HashFunction[] hashFunctions = new HashFunction[HASH_SEEDS.length]; // 无参数初始化 public MyBloomFilter() { // 依照默认大小 init(); } // 带参数初始化 public MyBloomFilter(int size) { // 大小初始化小于最小的大小 if (size >= MIN_SIZE) { SIZE = size; } init(); } private void init() { // 初始化位大小 bitSet = new BitSet(SIZE); // 初始化hash函数 for (int i = 0; i < HASH_SEEDS.length; i++) { hashFunctions[i] = new HashFunction(SIZE, HASH_SEEDS[i]); } } // 增加元素，相当于把元素的特色增加到位数组 public void add(Object value) { for (HashFunction f : hashFunctions) { // 将hash计算出来的地位为true bitSet.set(f.hash(value), true); } } // 判断元素的特色是否存在于位数组 public boolean contains(Object value) { boolean result = true; for (HashFunction f : hashFunctions) { result = result && bitSet.get(f.hash(value)); // hash函数只有有一个计算出为false，则间接返回 if (!result) { return result; } } return result; } // hash函数 public static class HashFunction { // 位数组大小 private int size; // hash种子 private int seed; public HashFunction(int size, int seed) { this.size = size; this.seed = seed; } // hash函数 public int hash(Object value) { if (value == null) { return 0; } else { // hash值 int hash1 = value.hashCode(); // 高位的hash值 int hash2 = hash1 >>> 16; // 合并hash值(相当于把高下位的特色联合) int combine = hash1 ^ hash1; // 相乘再取余 return Math.abs(combine * seed) % size; } } } public static void main(String[] args) { Integer num1 = new Integer(12321); Integer num2 = new Integer(12345); MyBloomFilter myBloomFilter =new MyBloomFilter(); System.out.println(myBloomFilter.contains(num1)); System.out.println(myBloomFilter.contains(num2)); myBloomFilter.add(num1); myBloomFilter.add(num2); System.out.println(myBloomFilter.contains(num1)); System.out.println(myBloomFilter.contains(num2)); }}运行后果,合乎预期：
falsefalsetruetrue然而下面的这种做法是不反对预期的误判率的，只是能够指定位数组的大小。
当然咱们也能够提供数据量，以及期待的大抵的误判率来初始化，大抵的初始化代码如下：
// 带参数初始化 public BloomFilter(int num,double rate) { // 计算位数组的大小 this.size = (int) (-num * Math.log(rate) / Math.pow(Math.log(2), 2)); // hsah 函数个数 this.hashSize = (int) (this.size * Math.log(2) / num); // 初始化位数组 this.bitSet = new BitSet(size); }Redis实现
平时咱们能够抉择应用Redis的个性于布隆过滤器，为什么呢？因为Redis外面有相似于BitSet的指令，比方设置位数组的值：
setbit key offset value下面的key是键，offset是偏移量，value就是1或者0。比方上面的就是将key1 的第7地位为1。
而获取某一位的数值能够应用上面这个命令：
gitbit key offset借助redis这个性能咱们能够实现优良的布隆过滤器，然而实际上咱们不须要本人去写了，Redisson这个客户端曾经有较好的实现。
上面就是用法：
应用maven构建我的项目，首先须要导包到pom.xml：
<dependencies> <dependency> <groupId>org.redisson</groupId> <artifactId>redisson</artifactId> <version>3.11.2</version> </dependency> </dependencies>代码如下，我应用的docker，启动的时候记得设置明码，运行的时候批改明码不起成果：
docker run -d --name redis -p 6379:6379 redis --requirepass "password"实现的代码如下，首先须要连贯上redis，而后创立redission，应用redission创立布隆过滤器，间接应用即可。（能够指定预计的数量以及期待的误判率）
import org.redisson.Redisson;import org.redisson.api.RBloomFilter;import org.redisson.api.RedissonClient;import org.redisson.config.Config;public class BloomFilterTest { public static void main(String[] args) { Config config = new Config(); config.useSingleServer().setAddress("redis://localhost:6379"); config.useSingleServer().setPassword("password"); // 相当于创立了redis的连贯 RedissonClient redisson = Redisson.create(config); RBloomFilter<String> bloomFilter = redisson.getBloomFilter("myBloomFilter"); //初始化,预计元素数量为100000000,期待的误差率为4% bloomFilter.tryInit(100000000,0.04); //将号码10086插入到布隆过滤器中 bloomFilter.add("12345"); System.out.println(bloomFilter.contains("123456"));//false System.out.println(bloomFilter.contains("12345"));//true }}运行后果如下：值得注意的是，这是单台redis的状况，如果是redis集群的做法略有不同。
Google GUAVA实现
Google提供的guava包外面也提供了布隆过滤器,引入pom文件：
<dependency> <groupId>com.google.guava</groupId> <artifactId>guava</artifactId> <version>18.0</version> </dependency>具体的实现调用的代码如下,同样能够指定具体的存储数量以及预计的误判率：
import com.google.common.base.Charsets;import com.google.common.hash.BloomFilter;import com.google.common.hash.Funnels;public class GuavaBloomFilter { public static void main(String[] args) { BloomFilter<String> bloomFilter = BloomFilter.create( Funnels.stringFunnel(Charsets.UTF_8),1000000,0.04); bloomFilter.put("Sam"); System.out.println(bloomFilter.mightContain("Jane")); System.out.println(bloomFilter.mightContain("Sam")); }}执行的后果如下,合乎预期
下面三种别离是手写，redis，guava实际了布隆过滤器，只是简略的用法，其实redis和guava外面的实现也能够看看，有趣味能够理解一下，我先立一个Flag。
对于作者
秦怀，公众号【秦怀杂货店】作者，技术之路不在一时，山高水长，纵使迟缓，驰而不息。集体写作方向：Java源码解析，JDBC，Mybatis，Spring，redis，分布式，剑指Offer，LeetCode等，认真写好每一篇文章，不喜爱题目党，不喜爱花里胡哨，大多写系列文章，不能保障我写的都完全正确，然而我保障所写的均通过实际或者查找材料。脱漏或者谬误之处，还望斧正。
2020年我写了什么？
开源编程笔记