php实现Bloom Filter

Posted zhchoutai

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了php实现Bloom Filter相关的知识,希望对你有一定的参考价值。

 Bloom Filter(BF) 是由Bloom在1970年提出的一种多哈希函数映射的高速查找算法,用于高速查找某个元素是否属于集合, 但不要求百分百的准确率。 Bloom filter通经常使用于爬虫的url去重,即推断某个url是否已经被爬过。 原理方面我引用一篇别人的文章。讲的比較清晰了。在此我不予赘述。 很多其它信息能够參考其论文。 看过几个php实现的BF,都觉得可读性不是非常强。 本文主要给出我对Bloom Filter的一个php实现。


原理:

<引用自这篇文章>

一. 实例

  为了说明Bloom Filter存在的重要意义,举一个实例:

  如果要你写一个网络蜘蛛(web crawler)。由于网络间的链接错综复杂,蜘蛛在网络间爬行非常可能会形成“环”。

为了避免形成“环”,就须要知道蜘蛛已经訪问过那些URL。

给一个URL,如何知道蜘蛛是否已经訪问过呢?略微想想,就会有例如以下几种方案:

  1. 将訪问过的URL保存到数据库。

  2. 用HashSet将訪问过的URL保存起来。那仅仅需接近O(1)的代价就能够查到一个URL是否被訪问过了。

  3. URL经过MD5或SHA-1等单向哈希后再保存到HashSet或数据库。

  4. Bit-Map方法。

建立一个BitSet。将每一个URL经过一个哈希函数映射到某一位。

  方法1~3都是将訪问过的URL完整保存,方法4则仅仅标记URL的一个映射位。

  以上方法在数据量较小的情况下都能完美解决这个问题,可是当数据量变得非常庞大时问题就来了。

  方法1的缺点:数据量变得非常庞大后关系型数据库查询的效率会变得非常低。

并且每来一个URL就启动一次数据库查询是不是太小题大做了?

  方法2的缺点:太消耗内存。随着URL的增多,占用的内存会越来越多。

就算仅仅有1亿个URL,每一个URL仅仅算50个字符,就须要5GB内存。

  方法3:由于字符串经过MD5处理后的信息摘要长度仅仅有128Bit。SHA-1处理后也仅仅有160Bit,因此方法3例如法2节省了好几倍的内存。

  方法4消耗内存是相对较少的。但缺点是单一哈希函数发生冲突的概率太高。

还记得数据结构课上学过的Hash表冲突的各种解决方法么?若要减少冲突发生的概率到1%。就要将BitSet的长度设置为URL个数的100倍。

  实质上上面的算法都忽略了一个重要的隐含条件:同意小概率的出错,不一定要100%准确!也就是说少量url实际上没有没网络蜘蛛訪问,而将它们错判为已訪问的代价是非常小的——大不了少抓几个网页呗。




二. Bloom Filter的算法

  废话讲到这里,以下引入本篇的主角——Bloom Filter。

事实上上面方法4的思想已经非常接近Bloom Filter了。方法四的致命缺点是冲突概率高。为了减少冲突的概念。Bloom Filter使用了多个哈希函数,而不是一个。

 Bloom Filter算法例如以下:

(1)初始化

  创建一个m位BitSet,先将所有位初始化为0,然后选择k个不同的哈希函数。第i个哈希函数对字符串str哈希的结果记为h(i。str),且h(i。str)的范围是0到m-1 。

(2) 检查字符串是否存在

 
以下是检查字符串str是否被BitSet记录过的过程:

  对于字符串str。分别计算h(1。str),h(2。str)…… h(k,str)。然后检查BitSet的第h(1,str)、h(2,str)…… h(k,str)位是否为1,若当中不论什么一位不为1则能够判定str一定没有被记录过。

若所有位都是1,则“觉得”字符串str存在。

  若一个字符串相应的Bit不全为1。则能够肯定该字符串一定没有被Bloom Filter记录过。

(这是显然的,由于字符串被记录过。其相应的二进制位肯定所有被设为1了)

  可是若一个字符串相应的Bit全为1,实际上是不能100%的肯定该字符串被Bloom Filter记录过的。(由于有可能该字符串的所有位都刚好是被其它字符串所相应)这样的将该字符串划分错的情况,称为false positive 。

(3) 删除字符串 :

字符串增加了就被不能删除了,由于删除会影响到其它字符串。实在须要删除字符串的能够使用Counting bloomfilter(CBF)。这是一种基本Bloom Filter的变体,CBF将基本Bloom Filter每一个Bit改为一个计数器,这样就能够实现删除字符串的功能了。

  Bloom Filter跟单哈希函数Bit-Map不同之处在于:Bloom Filter使用了k个哈希函数,每一个字符串跟k个bit相应。从而减少了冲突的概率。




三. Bloom Filter參数选择

(1)哈希函数选择

  哈希函数的选择对性能的影响应该是非常大的,一个好的哈希函数要能近似等概率的将字符串映射到各个Bit。选择k个不同的哈希函数比較麻烦,一种简单的方法是选择一个哈希函数,然后送入k个不同的參数。

(2)Bit数组大小选择

  哈希函数个数k、位数组大小m、增加的字符串数量n的关系能够參考參考文献1。该文献证明了对于给定的m、n,当 k = ln(2)* m/n 时出错的概率是最小的。

  同一时候该文献还给出特定的k,m,n的出错概率。例如:依据參考文献,哈希函数个数k取10,位数组大小m设为字符串个数n的20倍时,false positive发生的概率是0.0000889 ,这个概率基本能满足网络爬虫的需求了。


实现:

<?php
///***************************************************************************
// * 
// * Copyright (c) 2015 Baidu.com, Inc. All Rights Reserved
// * 
// **************************************************************************/
// 
// 
// 
///**
// * @file bloomfilter.php
// * @author Rachel Zhang(zrqsophia@sina.com)
// * @date 2015/07/24 18:48:57
// * @version $Revision$ 
// * @brief 
// *  
// **/


class BloomFilter{
    var $m; # blocksize
    var $n; # number of strings to hash
    var $k; # number of hashing functions
    var $bitset; # hashing block with size m

    function BloomFilter($mInit,$nInit){
        $this->m = $mInit;
        $this->n = $nInit;
        $this->k = ceil(($this->m/$this->n)*log(2));
        echo "number of functions: $this->k\\n";
        $this->bitset = array_fill(0, $this->m, false);
    }

    function hashcode($str){
        $res = array(); #put k hashing bit into $res
        $seed = crc32($str);
        mt_srand($seed); // set random seed, or mt_rand wouldn\'t provide same random arrays at different generation
        for($i=0 ; $i<$this->k ; $i++){
            $res[] = mt_rand(0,$this->m-1);
        }
        return $res;
    }

    function addKey($key){
        foreach($this->hashcode($key) as $codebit){
            $this->bitset[$codebit]=true;
        }
    }

    function existKey($key){
        $code=$this->hashcode($key);
        foreach($code as $codebit){
            if($this->bitset[$codebit]==false){
                return false;
            }
        }
        return true;
    }

}

$bf = new BloomFilter(10,2);
$str_add1 = "test1";
$str_add2 = "test2";
$str_notadd3 = "test3";
//var_dump($bf->hashcode($str));
$bf->addKey($str_add1);
$bf->addKey($str_add2);
var_dump($bf->existKey($str_add1));
var_dump($bf->existKey($str_add2));
var_dump($bf->existKey($str_notadd3));


?>

以上是关于php实现Bloom Filter的主要内容,如果未能解决你的问题,请参考以下文章

C++数据结构与算法:布隆过滤器(Bloom Filter)原理与实现

url去重 --布隆过滤器 bloom filter原理及python实现

A Brief Bloom Filter(英文标题唬人罢了)

Bloom Filter实现大数据集查询

Bloom Filter实现大数据集查询

布隆过滤器(Bloom Filter)的原理和实现