布隆过滤器的基本原理和使用

Posted 2020-12-13 powerjiajun

工作中遇到一个需求，需要从词库中快速判断某个关键字是否存在，词库大小不超过百万，当时脑子第一反应是用hash表相关数据结构，和同事一交流，同事推荐用布隆过滤器，查询效率不输hashmap，而且非常节省存储空间。经过研究发现布隆过滤器挺好用的，这篇文章来说说三点：
1.什么是布隆过滤器。
2.布隆过滤器基本原理。
3.布隆过滤器的使用方式。

1.什么是布隆过滤器？

布隆过滤器（Bloom Filter）是1970年由[布隆]提出的。它实际上是一个很长的[二进制]向量和一系列随机映射函数。布隆过滤器可以用于检索一个元素是否在一个集合中。它的优点是空间效率和查询时间都比一般的算法要好的多，缺点是有一定的误识别率和删除困难。

2.布隆过滤器的基本原理

a.下图是一个初始化后的长度为11的布隆过滤器结构，可以看成一个数组，还未放入任何数据，所有位的值都是0。

b.假如有三个hash函数（hash1、hash2、hash3）此时我们添加一个关键字进去，假设我们添加一个字母"a"，通过三个hash函数分别求出2、5、6，于是把下标为2、5、6的值都改为1。

c.此时我们根据字母"a"去布隆过滤器查找，判断a是否存在的流程如下图，由于对a进行三个hash函数取模得到的2、5、6下标的值都是1，说明这个a大概率已经存在了（为什么是大概率呢？因为布隆过滤器是一种概率型数据结构，存在非常小的误判几率，不能判断某个元素一定百分之百存在，所以只能用在允许有少量误判的场景，不能用在需要100%精确判断存在的场景）。
如果使用字母b进行查找，三个hash函数取模得到的是7、8、9或者3、5、6，发现这些下标对应的值都不全部是1，则判定为不存在。

相对于HashMap的优点：
布隆过滤器节省空间，无需存储全部数据，只需要将多个hash函数取模得到的下标对应位置的值改为1即可，无需存储全部数据，是一种极度节省存储空间的数据结构。

相对于HashMap的缺点：
布隆过滤器无法做到100%精确判断，而HashMap可以。

3.布隆过滤器的使用

3.1引入guava依赖

        <dependency>
            <groupId>com.google.guava</groupId>
            <artifactId>guava</artifactId>
            <version>19.0</version>
        </dependency>

3.2 如下是使用示例

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

public class BloomFilterTester {
	
    private static int size = 1000000;//预计要插入多少数据

    private static double fpp = 0.01;//期望的误判率

    private static BloomFilter<Integer> bloomFilter = BloomFilter.create(Funnels.integerFunnel(), size, fpp);

    public static void main(String[] args) {
    	long time = System.currentTimeMillis();
        //插入数据
        for (int i = 0; i < size; i++) {
        	// 向布隆过滤器添加数据，类似HashMap.put(key, data)方法
            bloomFilter.put(i);
        }
        System.out.println("初始化耗时：" + (System.currentTimeMillis() - time));
        
        time = System.currentTimeMillis();
        int count = 0;
        for (int i = 0; i < size; i++) {
        	// 如果布隆过滤器存在对应元素，类似HashMap.contains(key)方法
            if (bloomFilter.mightContain(i)) {

            } else {
            	System.out.println(i + "误判了");
            	count++;
            }
        }
        System.out.println("总共的误判数:" + count);
        System.out.println(size + "次查询耗时：" + (System.currentTimeMillis() - time));
    }