filter过滤器_不了解布隆过滤器？一文给你整的明明白白

文章来源：https://mp.weixin.qq.com/s/_qsHjDemXUNObB0h0XHCkQ

作者：SnailClimb

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，但是很多现成资料并不满足我的需求，所以就决定自己总结一篇关于布隆过滤器的文章。希望通过这篇文章让更多人了解布隆过滤器，并且会实际去使用它！

下面我们将分为几个方面来介绍布隆过滤器：

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。
通过 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，我们需要了解布隆过滤器的概念。

布隆过滤器(Bloom Filter)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。

位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。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。

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。

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，会进行如下操作：

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)。
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：

对给定元素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。

举个简单的例子：

布隆过滤器hash计算

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，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)。

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。

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。

3.布隆过滤器使用场景

判断给定数据是否存在：比如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：比如爬给定网址的时候对已经爬取过的 URL 去重。

4.通过 Java 编程手动实现布隆过滤器

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：

一个合适大小的位数组保存数据
几个不同的哈希函数
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)：

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：

        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));

Output:

falsefalsetruetrue

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));

Output:

falsefalsetruetrue

5.利用Google开源的 Guava中自带的布隆过滤器

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：

     com.google.guava            guava            28.0-jre

实际使用如下：

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)

        // 创建布隆过滤器对象        BloomFilter 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));

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。

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。

6.Redis 中的布隆过滤器

6.1介绍

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。

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。其他还有：

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
......

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

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 )。

具体操作如下：

➜  ~ docker run -p 6379:6379 --name redis-redisbloom redislabs/rebloom:latest➜  ~ docker exec -it redis-redisbloom bashroot@21396d02c252:/data# redis-cli127.0.0.1:6379>

6.3常用命令一览

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，如果该过滤器尚不存在，则创建该过滤器。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 ...] 。
BF.EXISTS : 确定元素是否在布隆过滤器中存在。格式：BF.EXISTS {key} {item}。
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 ...]。

另外，BF.RESERVE 命令需要单独介绍一下：

这个命令的格式如下：

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

下面简单介绍一下每个参数的具体含义：

key：布隆过滤器的名称
error_rate :误报的期望概率。这应该是介于0到1之间的十进制值。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。
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。

可选参数：

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。

6.4实际使用

127.0.0.1:6379> BF.ADD myFilter java(integer) 1127.0.0.1:6379> BF.ADD myFilter javaguide(integer) 1127.0.0.1:6379> BF.EXISTS myFilter java(integer) 1127.0.0.1:6379> BF.EXISTS myFilter javaguide(integer) 1127.0.0.1:6379> BF.EXISTS myFilter github(integer) 0

我目前是在职Java开发，如果你现在正在了解Java技术，想要学好Java，渴望成为一名Java开发工程师，在入门学习Java的过程当中缺乏基础的入门视频教程，你可以关注并私信我：01。我这里有一套最新的Java基础JavaSE的精讲视频教程，这套视频教程是我在年初的时候，根据市场技术栈需求录制的，非常的系统完整。