布隆过滤器使用场景

比如有如下几个需求:

  1. 原本有10亿个号码,现在又来了10万个号码,要快速准确判断这10万个号码是否在10亿个号码库中?

    解决办法一:将10亿个号码存入数据库中,进行数据库查询,准确性有了,但是速度会比较慢。

    解决办法二:将10亿号码放入内存中,比如Redis缓存中,这里我们算一下占用内存大小:10亿*8字节=8GB,通过内存查询,准确性和速度都有了,但是大约8gb的内存空间,挺浪费内存空间的。

  1. 接触过爬虫的,应该有这么一个需求,需要爬虫的网站千千万万,对于一个新的网站url,我们如何判断这个url我们是否已经爬过了?

    解决办法还是上面的两种,很显然,都不太好。

  1. 同理还有垃圾邮箱的过滤。

    那么对于类似这种,大数据量集合,如何准确快速的判断某个数据是否在大数据量集合中,并且不占用内存,布隆过滤器应运而生了。

布隆过滤器简介

  • 布隆过滤器:一种数据结构,是由一串很长的二进制向量组成,可以将其看成一个二进制数组。既然是二进制,那么里面存放的不是0,就是1,但是初始默认值都是0

如下所示:

Redis 实现布隆过滤器 - 图1

  1. 添加数据

介绍概念的时候,我们说可以将布隆过滤器看成一个容器,那么如何向布隆过滤器中添加一个数据呢?

当要向布隆过滤器中添加一个元素key时,我们通过多个hash函数,算出一个值,然后将这个值所在的方格置为1。比如,下图hash1(key)=1,那么在第2个格子将0变为1(数组是从0开始计数的),hash2(key)=7,那么将第8个格子置位1,依次类推。

如下图所示:

Redis 实现布隆过滤器 - 图2

  1. 判断数据是否存在?
    知道了如何向布隆过滤器中添加一个数据,那么新来一个数据,我们如何判断其是否存在于这个布隆过滤器中呢?

    很简单,我们只需要将这个新的数据通过上面自定义的几个哈希函数,分别算出各个值,然后看其对应的地方是否都是1,如果存在一个不是1的情况,那么我们可以说,该新数据一定不存在于这个布隆过滤器中。 反过来说,如果通过哈希函数算出来的值,对应的地方都是1,那么我们能够肯定的得出:这个数据一定存在于这个布隆过滤器中吗?

    答案是否定的,因为多个不同的数据通过hash函数算出来的结果是会有重复的,所以会存在某个位置是别的数据通过hash函数置为的1。

我们可以得到一个结论:布隆过滤器可以判断某个数据一定不存在,但是无法判断一定存在

布隆过滤器优缺点

优点:优点很明显,二进制组成的数组,占用内存极少,并且插入和查询速度都足够快。
缺点:随着数据的增加,误判率会增加;还有无法判断数据一定存在;另外还有一个重要缺点,无法删除数据

Redis实现布隆过滤器

1. bitmaps

我们知道计算机是以二进制位作为底层存储的基础单位,一个字节等于8位。
比如“big”字符串是由三个字符组成的,这三个字符对应的ASCII码分为是98、105、103,对应的二进制存储如下:
Redis 实现布隆过滤器 - 图3

在Redis中,Bitmaps 提供了一套命令用来操作类似上面字符串中的每一个位。

一、设置值

  1. setbit key offset value

Redis 实现布隆过滤器 - 图4

我们知道”b”的二进制表示为0110 0010,我们将第7位(从0开始)设置为1,那0110 0011 表示的就是字符“c”,所以最后的字符 “big”变成了“cig”。

二、获取值

  1. gitbit key offset

Redis 实现布隆过滤器 - 图5

三、获取位图指定范围值为1的个数

  1. bitcount key [start end]

如果不指定,那就是获取全部值为1的个数。
注意:start和end指定的是字节的个数,而不是位数组下标。

Redis 实现布隆过滤器 - 图6

2. Redisson

Redis 实现布隆过滤器的底层就是通过 bitmap 这种数据结构,至于如何实现,这里就不重复造轮子了,介绍业界比较好用的一个客户端工具——Redisson。
Redisson 是用于在 Java 程序中操作 Redis 的库,利用Redisson 我们可以在程序中轻松地使用 Redis。
下面我们就通过 Redisson 来构造布隆过滤器。

  1. package com.ys.rediscluster.bloomfilter.redisson;
  2. import org.redisson.Redisson;
  3. import org.redisson.api.RBloomFilter;
  4. import org.redisson.api.RedissonClient;
  5. import org.redisson.config.Config;
  6. public class RedissonBloomFilter {
  7. public static void main(String[] args) {
  8. Config config = new Config();
  9. config.useSingleServer().setAddress("redis://192.168.14.104:6379");
  10. config.useSingleServer().setPassword("123");
  11. //构造Redisson
  12. RedissonClient redisson = Redisson.create(config);
  13. RBloomFilter<String> bloomFilter = redisson.getBloomFilter("phoneList");
  14. //初始化布隆过滤器:预计元素为100000000L,误差率为3%
  15. bloomFilter.tryInit(100000000L,0.03);
  16. //将号码10086插入到布隆过滤器中
  17. bloomFilter.add("10086");
  18. //判断下面号码是否在布隆过滤器中
  19. System.out.println(bloomFilter.contains("123456"));//false
  20. System.out.println(bloomFilter.contains("10086"));//true
  21. }
  22. }

这是单节点的Redis实现方式,如果数据量比较大,期望的误差率又很低,那单节点所提供的内存是无法满足的,这时候可以使用分布式布隆过滤器,同样也可以用 Redisson 来实现,这里我就不做代码演示了,大家有兴趣可以试试。

guava 实现

最后提一下不用Redis如何来实现布隆过滤器。
guava 工具包相信大家都用过,这是谷歌公司提供的,里面也提供了布隆过滤器的实现。

  1. package com.ys.rediscluster.bloomfilter;
  2. import com.google.common.base.Charsets;
  3. import com.google.common.hash.BloomFilter;
  4. import com.google.common.hash.Funnel;
  5. import com.google.common.hash.Funnels;
  6. public class GuavaBloomFilter {
  7. public static void main(String[] args) {
  8. BloomFilter<String> bloomFilter = BloomFilter.create(Funnels.stringFunnel(Charsets.UTF_8),100000,0.01);
  9. bloomFilter.put("10086");
  10. System.out.println(bloomFilter.mightContain("123456"));
  11. System.out.println(bloomFilter.mightContain("10086"));
  12. }
  13. }