【原创！推荐！】不了解布隆过滤器？一文给你整的明明白白！

时间 2019-12-08

原文原文链接

海量数据处理以及缓存穿透这两个场景让我认识了布隆过滤器，我查阅了一些资料来了解它，可是不少现成资料并不知足个人需求，因此就决定本身总结一篇关于布隆过滤器的文章。但愿经过这篇文章让更多人了解布隆过滤器，而且会实际去使用它！java

下面咱们将分为几个方面来介绍布隆过滤器：git

什么是布隆过滤器？
布隆过滤器的原理介绍。
布隆过滤器使用场景。
经过 Java 编程手动实现布隆过滤器。
利用Google开源的Guava中自带的布隆过滤器。
Redis 中的布隆过滤器。

1.什么是布隆过滤器？

首先，咱们须要了解布隆过滤器的概念。github

布隆过滤器（Bloom Filter）是一个叫作 Bloom 的老哥于1970年提出的。咱们能够把它看做由二进制向量（或者说位数组）和一系列随机映射函数（哈希函数）两部分组成的数据结构。相比于咱们平时经常使用的的 List、Map 、Set 等数据结构，它占用空间更少而且效率更高，可是缺点是其返回的结果是几率性的，而不是很是准确的。理论状况下添加到集合中的元素越多，误报的可能性就越大。而且，存放在布隆过滤器的数据不容易删除。redis

位数组中的每一个元素都只占用 1 bit ，而且每一个元素只能是 0 或者 1。这样申请一个 100w 个元素的位数组只占用 1000000 / 8 = 125000 B = 15625 byte ≈ 15.3kb 的空间。docker

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集合中的数据结构，这种数据结构是高效且性能很好的，但缺点是具备必定的错误识别率和删除难度。而且，理论状况下，添加到集合中的元素越多，误报的可能性就越大。shell

2.布隆过滤器的原理介绍

当一个元素加入布隆过滤器中的时候，会进行以下操做：数据库

使用布隆过滤器中的哈希函数对元素值进行计算，获得哈希值（有几个哈希函数获得几个哈希值）。
根据获得的哈希值，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，会进行以下操做：编程

对给定元素再次进行相同的哈希计算；
获得值以后判断位数组中的每一个元素是否都为 1，若是值都为 1，那么说明这个值在布隆过滤器中，若是存在一个值不为 1，说明该元素不在布隆过滤器中。

举个简单的例子：数组

如图所示，当字符串存储要加入到布隆过滤器中时，该字符串首先由多个哈希函数生成不一样的哈希值，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，全部位置均为0）。当第二次存储相同字符串时，由于先前的对应位置已设置为1，因此很容易知道此值已经存在（去重很是方便）。缓存

若是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相同的哈希计算，获得值以后判断位数组中的每一个元素是否都为 1，若是值都为 1，那么说明这个值在布隆过滤器中，若是存在一个值不为 1，说明该元素不在布隆过滤器中。

不一样的字符串可能哈希出来的位置相同，这种状况咱们能够适当增长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，小几率会误判。布隆过滤器说某个元素不在，那么这个元素必定不在。

3.布隆过滤器使用场景

判断给定数据是否存在：好比判断一个数字是否在于包含大量数字的数字集中（数字集很大，5亿以上！）、防止缓存穿透（判断请求的数据是否有效避免直接绕过缓存请求数据库）等等、邮箱的垃圾邮件过滤、黑名单功能等等。
去重：好比爬给定网址的时候对已经爬取过的 URL 去重。

4.经过 Java 编程手动实现布隆过滤器

咱们上面已经说了布隆过滤器的原理，知道了布隆过滤器的原理以后就能够本身手动实现一个了。

若是你想要手动实现一个的话，你须要：

一个合适大小的位数组保存数据
几个不一样的哈希函数
添加元素到位数组（布隆过滤器）的方法实现
判断给定元素是否存在于位数组（布隆过滤器）的方法实现。

下面给出一个我以为写的还算不错的代码（参考网上已有代码改进获得，对于全部类型对象皆适用）：

import java.util.BitSet;

public class MyBloomFilter {

    /** * 位数组的大小 */
    private static final int DEFAULT_SIZE = 2 << 24;
    /** * 经过这个数组能够建立 6 个不一样的哈希函数 */
    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);

    /** * 存放包含 hash 函数的类的数组 */
    private SimpleHash[] func = new SimpleHash[SEEDS.length];

    /** * 初始化多个包含 hash 函数的类的数组，每一个类中的 hash 函数都不同 */
    public MyBloomFilter() {
        // 初始化多个不一样的 Hash 函数
        for (int i = 0; i < SEEDS.length; i++) {
            func[i] = new SimpleHash(DEFAULT_SIZE, SEEDS[i]);
        }
    }

    /** * 添加元素到位数组 */
    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;
    }

    /** * 静态内部类。用于 hash 操做！ */
    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)));
        }

    }
}
复制代码

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));
复制代码

Output:

false
false
true
true
复制代码

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));
复制代码

Output:

false
false
true
true
复制代码

5.利用Google开源的 Guava中自带的布隆过滤器

本身实现的目的主要是为了让本身搞懂布隆过滤器的原理，Guava 中布隆过滤器的实现算是比较权威的，因此实际项目中咱们不须要手动实现一个布隆过滤器。

首先咱们须要在项目中引入 Guava 的依赖：

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

实际使用以下：

咱们建立了一个最多存放最多 1500个整数的布隆过滤器，而且咱们能够容忍误判的几率为百分之（0.01）

// 建立布隆过滤器对象
        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));
        // 将元素添加进布隆过滤器
        filter.put(1);
        filter.put(2);
        System.out.println(filter.mightContain(1));
        System.out.println(filter.mightContain(2));
复制代码

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

Guava 提供的布隆过滤器的实现仍是很不错的（想要详细了解的能够看一下它的源码实现），可是它有一个重大的缺陷就是只能单机使用（另外，容量扩展也不容易），而如今互联网通常都是分布式的场景。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

6.1介绍

Redis v4.0 以后有了 Module（模块/插件）功能，Redis Modules 让 Redis 可使用外部模块扩展其功能。布隆过滤器就是其中的 Module。详情能够查看 Redis 官方对 Redis Modules 的介绍：redis.io/modules。

另外，官网推荐了一个 RedisBloom 做为 Redis 布隆过滤器的 Module,地址：github.com/RedisBloom/…

redis-lua-scaling-bloom-filter （lua 脚本实现）：github.com/erikdubbelb…
pyreBloom（Python中的快速Redis 布隆过滤器）：github.com/seomoz/pyre…
......

RedisBloom 提供了多种语言的客户端支持，包括：Python、Java、JavaScript 和 PHP。

6.2使用Docker安装

若是咱们须要体验 Redis 中的布隆过滤器很是简单，经过 Docker 就能够了！咱们直接在 Google 搜索docker redis bloomfilter 而后在排除广告的第一条搜素结果就找到了咱们想要的答案（这是我日常解决问题的一种方式，分享一下），具体地址：hub.docker.com/r/redislabs… （介绍的很详细）。

具体操做以下：

➜  ~ 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> 
复制代码

6.3经常使用命令一览

注意： key:布隆过滤器的名称，item : 添加的元素。

BF.ADD：将元素添加到布隆过滤器中，若是该过滤器尚不存在，则建立该过滤器。格式：BF.ADD {key} {item}。
BF.MADD : 将一个或多个元素添加到“布隆过滤器”中，并建立一个尚不存在的过滤器。该命令的操做方式BF.ADD与之相同，只不过它容许多个输入并返回多个值。格式：BF.MADD {key} {item} [item ...] 。
**BF.EXISTS ** : 肯定元素是否在布隆过滤器中存在。格式：BF.EXISTS {key} {item}。
BF.MEXISTS ：肯定一个或者多个元素是否在布隆过滤器中存在格式：BF.MEXISTS {key} {item} [item ...]。

另外，BF.RESERVE 命令须要单独介绍一下：

这个命令的格式以下：

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

下面简单介绍一下每一个参数的具体含义：

key：布隆过滤器的名称
error_rate :误报的指望几率。这应该是介于0到1之间的十进制值。例如，对于指望的误报率0.1％（1000中为1），error_rate应该设置为0.001。该数字越接近零，则每一个项目的内存消耗越大，而且每一个操做的CPU使用率越高。
capacity: 过滤器的容量。当实际存储的元素个数超过这个值以后，性能将开始降低。实际的降级将取决于超出限制的程度。随着过滤器元素数量呈指数增加，性能将线性降低。

可选参数：

expansion：若是建立了一个新的子过滤器，则其大小将是当前过滤器的大小乘以expansion。默认扩展值为2。这意味着每一个后续子过滤器将是前一个子过滤器的两倍。

6.4实际使用

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
复制代码