前言

在程序的世界中，布隆過濾器是程序員的一把利器，利用它可以快速地解決項目中一些比較棘手的問題。如網(wǎng)頁 URL 去重、垃圾郵件識別、大集合中重復元素的判斷和緩存穿透等問題。

布隆過濾器（Bloom Filter）是 1970 年由布隆提出的。它實際上是一個很長的二進制向量和一系列隨機映射函數(shù)。布隆過濾器可以用于檢索一個元素是否在一個集合中。

它的優(yōu)點是空間效率和查詢時間都比一般的算法要好的多，缺點是有一定的誤識別率和刪除困難。

一、布隆過濾器簡介

當你往簡單數(shù)組或列表中插入新數(shù)據(jù)時，將不會根據(jù)插入項的值來確定該插入項的索引值。這意味著新插入項的索引值與數(shù)據(jù)值之間沒有直接關系。這樣的話，當你需要在數(shù)組或列表中搜索相應值的時候，你必須遍歷已有的集合。若集合中存在大量的數(shù)據(jù)，就會影響數(shù)據(jù)查找的效率。

針對這個問題，你可以考慮使用哈希表。利用哈希表你可以通過對 “值” 進行哈希處理來獲得該值對應的鍵或索引值，然后把該值存放到列表中對應的索引位置。這意味著索引值是由插入項的值所確定的，當你需要判斷列表中是否存在該值時，只需要對值進行哈希處理并在相應的索引位置進行搜索即可，這時的搜索速度是非常快的。

根據(jù)定義，布隆過濾器可以檢查值是 “可能在集合中” 還是 “絕對不在集合中”。“可能” 表示有一定的概率，也就是說可能存在一定為誤判率。那為什么會存在誤判呢？下面我們來分析一下具體的原因。

布隆過濾器（Bloom Filter）本質(zhì)上是由長度為 m 的位向量或位列表（僅包含 0 或 1 位值的列表）組成，最初所有的值均設置為 0，如下圖所示。

為了將數(shù)據(jù)項添加到布隆過濾器中，我們會提供 K 個不同的哈希函數(shù)，并將結(jié)果位置上對應位的值置為 “1”。在前面所提到的哈希表中，我們使用的是單個哈希函數(shù)，因此只能輸出單個索引值。而對于布隆過濾器來說，我們將使用多個哈希函數(shù)，這將會產(chǎn)生多個索引值。

如上圖所示，當輸入 “semlinker” 時，預設的 3 個哈希函數(shù)將輸出 2、4、6，我們把相應位置 1。假設另一個輸入 ”kakuqo“，哈希函數(shù)輸出 3、4 和 7。你可能已經(jīng)注意到，索引位 4 已經(jīng)被先前的 “semlinker” 標記了。此時，我們已經(jīng)使用 “semlinker” 和 ”kakuqo“ 兩個輸入值，填充了位向量。當前位向量的標記狀態(tài)為：

當對值進行搜索時，與哈希表類似，我們將使用 3 個哈希函數(shù)對 ”搜索的值“ 進行哈希運算，并查看其生成的索引值。假設，當我們搜索 ”fullstack“ 時，3 個哈希函數(shù)輸出的 3 個索引值分別是 2、3 和 7：

從上圖可以看出，相應的索引位都被置為 1，這意味著我們可以說 ”fullstack“ 可能已經(jīng)插入到集合中。事實上這是誤報的情形，產(chǎn)生的原因是由于哈希碰撞導致的巧合而將不同的元素存儲在相同的比特位上。幸運的是，布隆過濾器有一個可預測的誤判率（FPP）：

• n 是已經(jīng)添加元素的數(shù)量；
• k 哈希的次數(shù)；
• m 布隆過濾器的長度（如比特數(shù)組的大?。?；

極端情況下，當布隆過濾器沒有空閑空間時（滿），每一次查詢都會返回 true 。這也就意味著 m 的選擇取決于期望預計添加元素的數(shù)量 n ，并且 m 需要遠遠大于 n 。

實際情況中，布隆過濾器的長度 m 可以根據(jù)給定的誤判率（FFP）的和期望添加的元素個數(shù) n 的通過如下公式計算：

了解完上述的內(nèi)容之后，我們可以得出一個結(jié)論，當我們搜索一個值的時候，若該值經(jīng)過 K 個哈希函數(shù)運算后的任何一個索引位為 ”0“，那么該值肯定不在集合中。但如果所有哈希索引值均為 ”1“，則只能說該搜索的值可能存在集合中。

二、布隆過濾器應用

在實際工作中，布隆過濾器常見的應用場景如下：

• 網(wǎng)頁爬蟲對 URL 去重，避免爬取相同的 URL 地址；
• 反垃圾郵件，從數(shù)十億個垃圾郵件列表中判斷某郵箱是否垃圾郵箱；
• Google Chrome 使用布隆過濾器識別惡意 URL；
• Medium 使用布隆過濾器避免推薦給用戶已經(jīng)讀過的文章；
• Google BigTable，Apache HBbase 和 Apache Cassandra 使用布隆過濾器減少對不存在的行和列的查找。 除了上述的應用場景之外，布隆過濾器還有一個應用場景就是解決緩存穿透的問題。所謂的緩存穿透就是服務調(diào)用方每次都是查詢不在緩存中的數(shù)據(jù)，這樣每次服務調(diào)用都會到數(shù)據(jù)庫中進行查詢，如果這類請求比較多的話，就會導致數(shù)據(jù)庫壓力增大，這樣緩存就失去了意義。

利用布隆過濾器我們可以預先把數(shù)據(jù)查詢的主鍵，比如用戶 ID 或文章 ID 緩存到過濾器中。當根據(jù) ID 進行數(shù)據(jù)查詢的時候，我們先判斷該 ID 是否存在，若存在的話，則進行下一步處理。若不存在的話，直接返回，這樣就不會觸發(fā)后續(xù)的數(shù)據(jù)庫查詢。需要注意的是緩存穿透不能完全解決，我們只能將其控制在一個可以容忍的范圍內(nèi)。

三、布隆過濾器實戰(zhàn)

布隆過濾器有很多實現(xiàn)和優(yōu)化，由 Google 開發(fā)著名的 Guava 庫就提供了布隆過濾器（Bloom Filter）的實現(xiàn)。在基于 Maven 的 Java 項目中要使用 Guava 提供的布隆過濾器，只需要引入以下坐標：

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

在導入 Guava 庫后，我們新建一個 BloomFilterDemo 類，在 main 方法中我們通過 BloomFilter.create 方法來創(chuàng)建一個布隆過濾器，接著我們初始化 1 百萬條數(shù)據(jù)到過濾器中，然后在原有的基礎上增加 10000 條數(shù)據(jù)并判斷這些數(shù)據(jù)是否存在布隆過濾器中：

import com.google.common.base.Charsets;
import com.google.common.hash.BloomFilter;
import com.google.common.hash.Funnels;

public class BloomFilterDemo {
    public static void main(String[] args) {
        int total = 1000000; // 總數(shù)量
        BloomFilter<CharSequence> bf = 
          BloomFilter.create(Funnels.stringFunnel(Charsets.UTF_8), total);
        // 初始化 1000000 條數(shù)據(jù)到過濾器中
        for (int i = 0; i < total; i++) {
            bf.put("" + i);
        }
        // 判斷值是否存在過濾器中
        int count = 0;
        for (int i = 0; i < total + 10000; i++) {
            if (bf.mightContain("" + i)) {
                count++;
            }
        }
        System.out.println("已匹配數(shù)量 " + count);
    }
}

當以上代碼運行后，控制臺會輸出以下結(jié)果：

已匹配數(shù)量 1000309

很明顯以上的輸出結(jié)果已經(jīng)出現(xiàn)了誤報，因為相比預期的結(jié)果多了 309 個元素，誤判率為：

309/(1000000 + 10000) * 100 ≈ 0.030594059405940593

如果要提高匹配精度的話，我們可以在創(chuàng)建布隆過濾器的時候設置誤判率 fpp：

BloomFilter<CharSequence> bf = BloomFilter.create(
  Funnels.stringFunnel(Charsets.UTF_8), total, 0.0002
);

在 BloomFilter 內(nèi)部，誤判率 fpp 的默認值是 0.03：

// com/google/common/hash/BloomFilter.class
public static <T> BloomFilter<T> create(Funnel<? super T> funnel, long expectedInsertions) {
  return create(funnel, expectedInsertions, 0.03D);
}

在重新設置誤判率為 0.0002 之后，我們重新運行程序，這時控制臺會輸出以下結(jié)果：

已匹配數(shù)量 1000003

通過觀察以上的結(jié)果，可知誤判率 fpp 的值越小，匹配的精度越高。當減少誤判率 fpp 的值，需要的存儲空間也越大，所以在實際使用過程中需要在誤判率和存儲空間之間做個權衡。

四、總結(jié)

本文主要介紹的布隆過濾器的概念和常見的應用場合，在實戰(zhàn)部分我們演示了 Google 著名的 Guava 庫所提供布隆過濾器（Bloom Filter）的基本使用，同時我們也介紹了布隆過濾器出現(xiàn)誤報的原因及如何提高判斷準確性。最后為了便于大家理解布隆過濾器，我們介紹了一個簡易版的布隆過濾器 SimpleBloomFilter。

到此這篇關于Java布隆過濾器的應用實例的文章就介紹到這了,更多相關Java布隆過濾器內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！

最新評論