<?php

/*Bloom Filter算法來(lái)去重過(guò)濾。


介紹下Bloom Filter的基本處理思路：申請(qǐng)一批空間用于保存0 1信息，再根據(jù)一批哈希函數(shù)確定元素對(duì)應(yīng)的位置，如果每個(gè)哈希函數(shù)對(duì)應(yīng)位置的值為全部1，說(shuō)明此元素存在。相反，如果為0，則要把對(duì)應(yīng)位置的值設(shè)置為1。由于不同的元素可能會(huì)有相同的哈希值，即同一個(gè)位置有可能保存了多個(gè)元素的信息，從而導(dǎo)致存在一定的誤判率。

如果申請(qǐng)空間太小，隨著元素的增多，1會(huì)越來(lái)越多，各個(gè)元素沖突的機(jī)會(huì)越來(lái)越來(lái)大，導(dǎo)致誤判率會(huì)越來(lái)越大。另外哈希函數(shù)的選擇及個(gè)數(shù)上也要平衡好，多個(gè)哈希函數(shù)雖然可以提供判斷的準(zhǔn)確性，但是會(huì)降低程序的處理速度，而哈希函數(shù)的增加又要求有更多的空間來(lái)存儲(chǔ)位置信息。

Bloom-Filter的應(yīng)用。
  Bloom-Filter一般用于在大數(shù)據(jù)量的集合中判定某元素是否存在。例如郵件服務(wù)器中的垃圾郵件過(guò)濾器。在搜索引擎領(lǐng)域，Bloom-Filter最常用于網(wǎng)絡(luò)蜘蛛(Spider)的URL過(guò)濾，網(wǎng)絡(luò)蜘蛛通常有一個(gè) URL列表，保存著將要下載和已經(jīng)下載的網(wǎng)頁(yè)的URL，網(wǎng)絡(luò)蜘蛛下載了一個(gè)網(wǎng)頁(yè)，從網(wǎng)頁(yè)中提取到新的URL后，需要判斷該URL是否已經(jīng)存在于列表中。此時(shí)，Bloom-Filter算法是最好的選擇。 
  比如說(shuō)，一個(gè)象 Yahoo,Hotmail 和 Gmai 那樣的公眾電子郵件（email）提供商，總是需要過(guò)濾來(lái)自發(fā)送垃圾郵件的人（spamer）的垃圾郵件。一個(gè)辦法就是記錄下那些發(fā)垃圾郵件的 email 地址。由于那些發(fā)送者不停地在注冊(cè)新的地址，全世界少說(shuō)也有幾十億個(gè)發(fā)垃圾郵件的地址，將他們都存起來(lái)則需要大量的網(wǎng)絡(luò)服務(wù)器。 

  布隆過(guò)濾器是由巴頓.布隆于一九七零年提出的。它實(shí)際上是一個(gè)很長(zhǎng)的二進(jìn)制向量和一系列隨機(jī)映射函數(shù)。我們通過(guò)上面的例子來(lái)說(shuō)明起工作原理。

  假定我們存儲(chǔ)一億個(gè)電子郵件地址，我們先建立一個(gè)十六億二進(jìn)制（比特），即兩億字節(jié)的向量，然后將這十六億個(gè)二進(jìn)制位全部設(shè)置為零。對(duì)于每一個(gè)電子郵件地址 X，我們用八個(gè)不同的隨機(jī)數(shù)產(chǎn)生器（F1,F2, ...,F8） 產(chǎn)生八個(gè)信息指紋（f1, f2, ..., f8）。再用一個(gè)隨機(jī)數(shù)產(chǎn)生器 G 把這八個(gè)信息指紋映射到 1 到十六億中的八個(gè)自然數(shù) g1, g2, ...,g8?，F(xiàn)在我們把這八個(gè)位置的二進(jìn)制位全部設(shè)置為一。當(dāng)我們對(duì)這一億個(gè) email 地址都進(jìn)行這樣的處理后。一個(gè)針對(duì)這些 email 地址的布隆過(guò)濾器就建成了。（見(jiàn)下圖） 現(xiàn)在，讓我們看看如何用布隆過(guò)濾器來(lái)檢測(cè)一個(gè)可疑的電子郵件地址 Y 是否在黑名單中。我們用相同的八個(gè)隨機(jī)數(shù)產(chǎn)生器（F1, F2, ..., F8）對(duì)這個(gè)地址產(chǎn)生八個(gè)信息指紋 s1,s2,...,s8，然后將這八個(gè)指紋對(duì)應(yīng)到布隆過(guò)濾器的八個(gè)二進(jìn)制位，分別是 t1,t2,...,t8。如果 Y 在黑名單中，顯然，t1,t2,..,t8 對(duì)應(yīng)的八個(gè)二進(jìn)制一定是一。這樣在遇到任何在黑名單中的電子郵件地址，我們都能準(zhǔn)確地發(fā)現(xiàn)。 
  布隆過(guò)濾器決不會(huì)漏掉任何一個(gè)在黑名單中的可疑地址。但是，它有一條不足之處。也就是它有極小的可能將一個(gè)不在黑名單中的電子郵件地址判定為在黑名單中，因?yàn)橛锌赡苣硞€(gè)好的郵件地址正巧對(duì)應(yīng)八個(gè)都被設(shè)置成一的二進(jìn)制位。好在這種可能性很小。我們把它稱為誤識(shí)概率。在上面的例子中，誤識(shí)概率在萬(wàn)分之一以下。 
  布隆過(guò)濾器的好處在于快速，省空間。但是有一定的誤識(shí)別率。常見(jiàn)的補(bǔ)救辦法是在建立一個(gè)小的白名單，存儲(chǔ)那些可能別誤判的郵件地址。
	 
	 
*/

// 使用php程序來(lái)描述上面的算法 


$set = array(1,2,3,4,5,6);
// 判斷5是否在$set 中 

$bloomFiter = array(0,0,0,0,0,0,0,0,0,0);

// 通過(guò)某種算法改變$bloomFiter 中位數(shù)組表示集合,這里我們使用簡(jiǎn)單的算法,把集合中對(duì)應(yīng)的value 對(duì)應(yīng)到bloom中的位置變成1 

// 算法如下 


foreach($set as $key){
	
	$bloomFiter[$key] = 1 ;
}

var_dump($bloomFiter) ; 

//此時(shí) $bloomFiter = array(1,1,1,1,1,1);

//判斷是否在集合中

 if($bloomFiter[9] ==1){
	 echo '在set 中'; 
 }else{
	 echo '不在set 中' ;
 }
 
 
 // 上面只是一個(gè)簡(jiǎn)單的例子,實(shí)際上哈希算法需要好幾個(gè),但另一方面，如果哈希函數(shù)的個(gè)數(shù)少，那么位數(shù)組中的0就多
 
 
 class bloom_filter {

 function __construct($hash_func_num=1, $space_group_num=1) {
  $max_length = pow(2, 25);
  $binary = pack('C', 0);

  //1字節(jié)占用8位
  $this->one_num = 8;

  //默認(rèn)32m*1
  $this->space_group_num = $space_group_num;
  $this->hash_space_assoc = array();

  //分配空間
  for($i=0; $i<$this->space_group_num; $i++){
   $this->hash_space_assoc[$i] = str_repeat($binary, $max_length);
  }

  $this->pow_array = array(
   0 => 1,
   1 => 2,
   2 => 4,
   3 => 8,
   4 => 16,
   5 => 32,
   6 => 64,
   7 => 128,
  );
  $this->chr_array = array();
  $this->ord_array = array();
  for($i=0; $i<256; $i++){
   $chr = chr($i);
   $this->chr_array[$i] = $chr;
   $this->ord_array[$chr] = $i;
  }

  $this->hash_func_pos = array(
   0 => array(0, 7, 1),
   1 => array(7, 7, 1),
   2 => array(14, 7, 1),
   3 => array(21, 7, 1),
   4 => array(28, 7, 1),
   5 => array(33, 7, 1),
   6 => array(17, 7, 1),
  );

  $this->write_num = 0;
  $this->ext_num = 0;

  if(!$hash_func_num){
   $this->hash_func_num = count($this->hash_func_pos);
  }
  else{
   $this->hash_func_num = $hash_func_num;
  }
 }

 function add($key) {
  $hash_bit_set_num = 0;
// 離散key
  $hash_basic = sha1($key);
//  截取前4位,然后十六進(jìn)制轉(zhuǎn)換為十進(jìn)制
  $hash_space = hexdec(substr($hash_basic, 0, 4));
//  取模
  $hash_space = $hash_space % $this->space_group_num;

  for($hash_i=0; $hash_i<$this->hash_func_num; $hash_i++){
   $hash = hexdec(substr($hash_basic, $this->hash_func_pos[$hash_i][0], $this->hash_func_pos[$hash_i][1]));
   $bit_pos = $hash >> 3;
   $max = $this->ord_array[$this->hash_space_assoc[$hash_space][$bit_pos]];
   $num = $hash - $bit_pos * $this->one_num;
   $bit_pos_value = ($max >> $num) & 0x01;
   if(!$bit_pos_value){
    $max = $max | $this->pow_array[$num];
    $this->hash_space_assoc[$hash_space][$bit_pos] = $this->chr_array[$max];
    $this->write_num++;
   }
   else{
    $hash_bit_set_num++;
   }
  }
  if($hash_bit_set_num == $this->hash_func_num){
   $this->ext_num++;
   return true;
  }
  return false;
 }

 function get_stat() {
  return array(
   'ext_num' => $this->ext_num,
   'write_num' => $this->write_num,
  );
 }
}


//test
//取6個(gè)哈希值，目前是最多7個(gè)
$hash_func_num = 6;

//分配1個(gè)存儲(chǔ)空間，每個(gè)空間為32M，理論上是空間越大誤判率越低，注意php.ini中可使用的內(nèi)存限制
$space_group_num = 1;

$bf = new bloom_filter($hash_func_num, $space_group_num);

$list = array(
 'http://test/1',
 'http://test/2',
 'http://test/3',
 'http://test/4',
 'http://test/5',
 'http://test/6',
 'http://test/1',
 'http://test/2',
);
foreach($list as $k => $v){

 if($bf->add($v)){
  echo $v, "\n";
 }
}
print_r($bf->get_stat());