2021-11-09 18:47:58 +08:00
|
|
|
|
---
|
2023-04-18 17:45:31 +08:00
|
|
|
|
title: 布隆过滤器
|
2021-11-09 18:47:58 +08:00
|
|
|
|
category: 计算机基础
|
|
|
|
|
tag:
|
|
|
|
|
- 数据结构
|
|
|
|
|
---
|
|
|
|
|
|
2023-09-19 12:03:55 +08:00
|
|
|
|
布隆过滤器相信大家没用过的话,也已经听过了。
|
2019-11-30 15:15:04 +08:00
|
|
|
|
|
2023-09-19 12:03:55 +08:00
|
|
|
|
布隆过滤器主要是为了解决海量数据的存在性问题。对于海量数据中判定某个数据是否存在且容忍轻微误差这一场景(比如缓存穿透、海量数据去重)来说,非常适合。
|
|
|
|
|
|
|
|
|
|
文章内容概览:
|
2019-11-30 15:15:04 +08:00
|
|
|
|
|
|
|
|
|
1. 什么是布隆过滤器?
|
|
|
|
|
2. 布隆过滤器的原理介绍。
|
|
|
|
|
3. 布隆过滤器使用场景。
|
|
|
|
|
4. 通过 Java 编程手动实现布隆过滤器。
|
2021-08-23 12:01:00 +08:00
|
|
|
|
5. 利用 Google 开源的 Guava 中自带的布隆过滤器。
|
2019-12-01 10:48:17 +08:00
|
|
|
|
6. Redis 中的布隆过滤器。
|
2019-11-30 15:15:04 +08:00
|
|
|
|
|
2021-11-09 18:47:58 +08:00
|
|
|
|
## 什么是布隆过滤器?
|
2019-11-30 15:15:04 +08:00
|
|
|
|
|
|
|
|
|
首先,我们需要了解布隆过滤器的概念。
|
|
|
|
|
|
2023-09-19 12:03:55 +08:00
|
|
|
|
布隆过滤器(Bloom Filter,BF)是一个叫做 Bloom 的老哥于 1970 年提出的。我们可以把它看作由二进制向量(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。相比于我们平时常用的 List、Map、Set 等数据结构,它占用空间更少并且效率更高,但是缺点是其返回的结果是概率性的,而不是非常准确的。理论情况下添加到集合中的元素越多,误报的可能性就越大。并且,存放在布隆过滤器的数据不容易删除。
|
2019-11-30 15:15:04 +08:00
|
|
|
|
|
2023-06-30 10:29:52 +08:00
|
|
|
|
Bloom Filter 会使用一个较大的 bit 数组来保存所有的数据,数组中的每个元素都只占用 1 bit ,并且每个元素只能是 0 或者 1(代表 false 或者 true),这也是 Bloom Filter 节省内存的核心所在。这样来算的话,申请一个 100w 个元素的位数组只占用 1000000Bit / 8 = 125000 Byte = 125000/1024 KB ≈ 122KB 的空间。
|
2019-11-30 15:15:04 +08:00
|
|
|
|
|
2023-06-15 16:04:34 +08:00
|
|
|
|
![位数组](https://oss.javaguide.cn/github/javaguide/cs-basics/algorithms/bloom-filter-bit-table.png)
|
2019-11-30 15:15:04 +08:00
|
|
|
|
|
|
|
|
|
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,但缺点是具有一定的错误识别率和删除难度。并且,理论情况下,添加到集合中的元素越多,误报的可能性就越大。**
|
|
|
|
|
|
2021-11-09 18:47:58 +08:00
|
|
|
|
## 布隆过滤器的原理介绍
|
2019-11-30 15:15:04 +08:00
|
|
|
|
|
|
|
|
|
**当一个元素加入布隆过滤器中的时候,会进行如下操作:**
|
|
|
|
|
|
|
|
|
|
1. 使用布隆过滤器中的哈希函数对元素值进行计算,得到哈希值(有几个哈希函数得到几个哈希值)。
|
|
|
|
|
2. 根据得到的哈希值,在位数组中把对应下标的值置为 1。
|
|
|
|
|
|
|
|
|
|
**当我们需要判断一个元素是否存在于布隆过滤器的时候,会进行如下操作:**
|
|
|
|
|
|
|
|
|
|
1. 对给定元素再次进行相同的哈希计算;
|
|
|
|
|
2. 得到值之后判断位数组中的每个元素是否都为 1,如果值都为 1,那么说明这个值在布隆过滤器中,如果存在一个值不为 1,说明该元素不在布隆过滤器中。
|
|
|
|
|
|
2023-06-15 16:04:34 +08:00
|
|
|
|
Bloom Filter 的简单原理图如下:
|
2019-11-30 15:15:04 +08:00
|
|
|
|
|
2023-06-15 16:04:34 +08:00
|
|
|
|
![Bloom Filter 的简单原理示意图](https://oss.javaguide.cn/github/javaguide/cs-basics/algorithms/bloom-filter-simple-schematic-diagram.png)
|
2019-11-30 15:15:04 +08:00
|
|
|
|
|
2021-08-23 12:01:00 +08:00
|
|
|
|
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同的哈希值,然后将对应的位数组的下标设置为 1(当位数组初始化时,所有位置均为 0)。当第二次存储相同字符串时,因为先前的对应位置已设置为 1,所以很容易知道此值已经存在(去重非常方便)。
|
2019-11-30 15:15:04 +08:00
|
|
|
|
|
|
|
|
|
如果我们需要判断某个字符串是否在布隆过滤器中时,只需要对给定字符串再次进行相同的哈希计算,得到值之后判断位数组中的每个元素是否都为 1,如果值都为 1,那么说明这个值在布隆过滤器中,如果存在一个值不为 1,说明该元素不在布隆过滤器中。
|
|
|
|
|
|
2019-11-30 17:30:18 +08:00
|
|
|
|
**不同的字符串可能哈希出来的位置相同,这种情况我们可以适当增加位数组大小或者调整我们的哈希函数。**
|
|
|
|
|
|
|
|
|
|
综上,我们可以得出:**布隆过滤器说某个元素存在,小概率会误判。布隆过滤器说某个元素不在,那么这个元素一定不在。**
|
2019-11-30 15:15:04 +08:00
|
|
|
|
|
2021-11-09 18:47:58 +08:00
|
|
|
|
## 布隆过滤器使用场景
|
2019-11-30 15:15:04 +08:00
|
|
|
|
|
2023-10-10 14:43:53 +08:00
|
|
|
|
1. 判断给定数据是否存在:比如判断一个数字是否存在于包含大量数字的数字集中(数字集很大,上亿)、 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(判断一个邮件地址是否在垃圾邮件列表中)、黑名单功能(判断一个 IP 地址或手机号码是否在黑名单中)等等。
|
|
|
|
|
2. 去重:比如爬给定网址的时候对已经爬取过的 URL 去重、对巨量的 QQ 号/订单号去重。
|
2023-06-15 16:04:34 +08:00
|
|
|
|
|
|
|
|
|
去重场景也需要用到判断给定数据是否存在,因此布隆过滤器主要是为了解决海量数据的存在性问题。
|
2019-11-30 17:30:18 +08:00
|
|
|
|
|
2021-11-09 18:47:58 +08:00
|
|
|
|
## 编码实战
|
|
|
|
|
|
|
|
|
|
### 通过 Java 编程手动实现布隆过滤器
|
2019-11-30 17:30:18 +08:00
|
|
|
|
|
|
|
|
|
我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之后就可以自己手动实现一个了。
|
|
|
|
|
|
|
|
|
|
如果你想要手动实现一个的话,你需要:
|
|
|
|
|
|
|
|
|
|
1. 一个合适大小的位数组保存数据
|
|
|
|
|
2. 几个不同的哈希函数
|
|
|
|
|
3. 添加元素到位数组(布隆过滤器)的方法实现
|
|
|
|
|
4. 判断给定元素是否存在于位数组(布隆过滤器)的方法实现。
|
|
|
|
|
|
|
|
|
|
下面给出一个我觉得写的还算不错的代码(参考网上已有代码改进得到,对于所有类型对象皆适用):
|
|
|
|
|
|
|
|
|
|
```java
|
|
|
|
|
import java.util.BitSet;
|
|
|
|
|
|
|
|
|
|
public class MyBloomFilter {
|
|
|
|
|
|
|
|
|
|
/**
|
|
|
|
|
* 位数组的大小
|
|
|
|
|
*/
|
|
|
|
|
private static final int DEFAULT_SIZE = 2 << 24;
|
|
|
|
|
/**
|
|
|
|
|
* 通过这个数组可以创建 6 个不同的哈希函数
|
|
|
|
|
*/
|
|
|
|
|
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,每个类中的 hash 函数都不一样
|
|
|
|
|
*/
|
|
|
|
|
public MyBloomFilter() {
|
|
|
|
|
// 初始化多个不同的 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 操作!
|
|
|
|
|
*/
|
|
|
|
|
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)));
|
|
|
|
|
}
|
|
|
|
|
|
|
|
|
|
}
|
|
|
|
|
}
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
测试:
|
|
|
|
|
|
|
|
|
|
```java
|
2021-06-21 17:05:51 +08:00
|
|
|
|
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));
|
2019-11-30 17:30:18 +08:00
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
Output:
|
|
|
|
|
|
2023-10-10 14:43:53 +08:00
|
|
|
|
```plain
|
2019-11-30 17:30:18 +08:00
|
|
|
|
false
|
|
|
|
|
false
|
|
|
|
|
true
|
|
|
|
|
true
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
测试:
|
|
|
|
|
|
|
|
|
|
```java
|
2021-06-21 17:05:51 +08:00
|
|
|
|
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));
|
2019-11-30 17:30:18 +08:00
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
Output:
|
|
|
|
|
|
|
|
|
|
```java
|
|
|
|
|
false
|
|
|
|
|
false
|
|
|
|
|
true
|
|
|
|
|
true
|
|
|
|
|
```
|
|
|
|
|
|
2021-11-09 18:47:58 +08:00
|
|
|
|
### 利用 Google 开源的 Guava 中自带的布隆过滤器
|
2019-11-30 17:30:18 +08:00
|
|
|
|
|
|
|
|
|
自己实现的目的主要是为了让自己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,所以实际项目中我们不需要手动实现一个布隆过滤器。
|
|
|
|
|
|
|
|
|
|
首先我们需要在项目中引入 Guava 的依赖:
|
|
|
|
|
|
|
|
|
|
```java
|
2021-06-21 17:05:51 +08:00
|
|
|
|
<dependency>
|
|
|
|
|
<groupId>com.google.guava</groupId>
|
|
|
|
|
<artifactId>guava</artifactId>
|
|
|
|
|
<version>28.0-jre</version>
|
|
|
|
|
</dependency>
|
2019-11-30 17:30:18 +08:00
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
实际使用如下:
|
|
|
|
|
|
2021-08-23 12:01:00 +08:00
|
|
|
|
我们创建了一个最多存放 最多 1500 个整数的布隆过滤器,并且我们可以容忍误判的概率为百分之(0.01)
|
2019-11-30 17:30:18 +08:00
|
|
|
|
|
|
|
|
|
```java
|
2021-06-21 17:05:51 +08:00
|
|
|
|
// 创建布隆过滤器对象
|
|
|
|
|
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));
|
2019-11-30 17:30:18 +08:00
|
|
|
|
```
|
|
|
|
|
|
2021-11-09 18:47:58 +08:00
|
|
|
|
在我们的示例中,当 `mightContain()` 方法返回 _true_ 时,我们可以 99%确定该元素在过滤器中,当过滤器返回 _false_ 时,我们可以 100%确定该元素不存在于过滤器中。
|
2019-11-30 17:30:18 +08:00
|
|
|
|
|
2019-12-01 10:41:29 +08:00
|
|
|
|
**Guava 提供的布隆过滤器的实现还是很不错的(想要详细了解的可以看一下它的源码实现),但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),而现在互联网一般都是分布式的场景。为了解决这个问题,我们就需要用到 Redis 中的布隆过滤器了。**
|
|
|
|
|
|
2021-11-09 18:47:58 +08:00
|
|
|
|
## Redis 中的布隆过滤器
|
2019-11-30 17:30:18 +08:00
|
|
|
|
|
2021-11-09 18:47:58 +08:00
|
|
|
|
### 介绍
|
2019-12-01 10:48:17 +08:00
|
|
|
|
|
2023-12-30 17:14:13 +08:00
|
|
|
|
Redis v4.0 之后有了 Module(模块/插件) 功能,Redis Modules 让 Redis 可以使用外部模块扩展其功能 。布隆过滤器就是其中的 Module。详情可以查看 Redis 官方对 Redis Modules 的介绍:<https://redis.io/modules>
|
2019-12-01 10:41:29 +08:00
|
|
|
|
|
2023-12-30 17:14:13 +08:00
|
|
|
|
另外,官网推荐了一个 RedisBloom 作为 Redis 布隆过滤器的 Module,地址:<https://github.com/RedisBloom/RedisBloom>
|
2021-08-26 11:04:57 +08:00
|
|
|
|
其他还有:
|
2019-12-01 10:41:29 +08:00
|
|
|
|
|
2023-12-30 17:14:13 +08:00
|
|
|
|
- redis-lua-scaling-bloom-filter(lua 脚本实现):<https://github.com/erikdubbelboer/redis-lua-scaling-bloom-filter>
|
|
|
|
|
- pyreBloom(Python 中的快速 Redis 布隆过滤器):<https://github.com/seomoz/pyreBloom>
|
2023-10-10 14:43:53 +08:00
|
|
|
|
- ……
|
2019-12-01 10:41:29 +08:00
|
|
|
|
|
2019-12-01 10:48:17 +08:00
|
|
|
|
RedisBloom 提供了多种语言的客户端支持,包括:Python、Java、JavaScript 和 PHP。
|
|
|
|
|
|
2021-11-09 18:47:58 +08:00
|
|
|
|
### 使用 Docker 安装
|
2019-12-01 10:48:17 +08:00
|
|
|
|
|
2023-12-30 17:14:13 +08:00
|
|
|
|
如果我们需要体验 Redis 中的布隆过滤器非常简单,通过 Docker 就可以了!我们直接在 Google 搜索 **docker redis bloomfilter** 然后在排除广告的第一条搜素结果就找到了我们想要的答案(这是我平常解决问题的一种方式,分享一下),具体地址:<https://hub.docker.com/r/redislabs/rebloom/> (介绍的很详细 )。
|
2019-12-01 10:41:29 +08:00
|
|
|
|
|
|
|
|
|
**具体操作如下:**
|
|
|
|
|
|
2023-06-15 16:04:34 +08:00
|
|
|
|
```bash
|
2019-12-01 10:41:29 +08:00
|
|
|
|
➜ ~ docker run -p 6379:6379 --name redis-redisbloom redislabs/rebloom:latest
|
|
|
|
|
➜ ~ docker exec -it redis-redisbloom bash
|
|
|
|
|
root@21396d02c252:/data# redis-cli
|
2021-08-23 12:01:00 +08:00
|
|
|
|
127.0.0.1:6379>
|
2019-12-01 10:41:29 +08:00
|
|
|
|
```
|
|
|
|
|
|
2023-10-10 14:43:53 +08:00
|
|
|
|
**注意:当前 rebloom 镜像已经被废弃,官方推荐使用[redis-stack](https://hub.docker.com/r/redis/redis-stack)**
|
2023-07-01 12:41:16 +08:00
|
|
|
|
|
2021-11-09 18:47:58 +08:00
|
|
|
|
### 常用命令一览
|
2019-12-01 10:41:29 +08:00
|
|
|
|
|
2023-05-05 12:33:52 +08:00
|
|
|
|
> 注意:key : 布隆过滤器的名称,item : 添加的元素。
|
2019-11-30 17:30:18 +08:00
|
|
|
|
|
2024-02-01 16:24:41 +08:00
|
|
|
|
1. `BF.ADD`:将元素添加到布隆过滤器中,如果该过滤器尚不存在,则创建该过滤器。格式:`BF.ADD {key} {item}`。
|
|
|
|
|
2. `BF.MADD` : 将一个或多个元素添加到“布隆过滤器”中,并创建一个尚不存在的过滤器。该命令的操作方式`BF.ADD`与之相同,只不过它允许多个输入并返回多个值。格式:`BF.MADD {key} {item} [item ...]` 。
|
|
|
|
|
3. `BF.EXISTS` : 确定元素是否在布隆过滤器中存在。格式:`BF.EXISTS {key} {item}`。
|
|
|
|
|
4. `BF.MEXISTS`:确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 ...]`。
|
2019-12-01 10:41:29 +08:00
|
|
|
|
|
2023-07-01 12:41:16 +08:00
|
|
|
|
另外, `BF.RESERVE` 命令需要单独介绍一下:
|
2019-12-01 10:41:29 +08:00
|
|
|
|
|
|
|
|
|
这个命令的格式如下:
|
|
|
|
|
|
2023-07-01 12:41:16 +08:00
|
|
|
|
`BF.RESERVE {key} {error_rate} {capacity} [EXPANSION expansion]` 。
|
2019-12-01 10:41:29 +08:00
|
|
|
|
|
|
|
|
|
下面简单介绍一下每个参数的具体含义:
|
|
|
|
|
|
|
|
|
|
1. key:布隆过滤器的名称
|
2021-09-09 15:23:40 +08:00
|
|
|
|
2. error_rate : 期望的误报率。该值必须介于 0 到 1 之间。例如,对于期望的误报率 0.1%(1000 中为 1),error_rate 应该设置为 0.001。该数字越接近零,则每个项目的内存消耗越大,并且每个操作的 CPU 使用率越高。
|
2021-08-23 12:01:00 +08:00
|
|
|
|
3. capacity: 过滤器的容量。当实际存储的元素个数超过这个值之后,性能将开始下降。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长,性能将线性下降。
|
2019-12-01 10:41:29 +08:00
|
|
|
|
|
|
|
|
|
可选参数:
|
|
|
|
|
|
2023-04-28 17:31:44 +08:00
|
|
|
|
- expansion:如果创建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。这意味着每个后续子过滤器将是前一个子过滤器的两倍。
|
2019-12-01 10:41:29 +08:00
|
|
|
|
|
2021-11-09 18:47:58 +08:00
|
|
|
|
### 实际使用
|
2019-12-01 10:41:29 +08:00
|
|
|
|
|
|
|
|
|
```shell
|
|
|
|
|
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
|
|
|
|
|
```
|
2023-08-07 18:56:33 +08:00
|
|
|
|
|
2023-10-27 06:44:02 +08:00
|
|
|
|
<!-- @include: @article-footer.snippet.md -->
|