面试题：海量数据处理利器-布隆过滤器

技术分享 2年前 (2022-09-29) 0 999+

作者：小牛呼噜噜 | https://xiaoniuhululu.com
计算机内功、JAVA底层、面试相关资料等更多精彩文章在公众号「小牛呼噜噜」

概念

通常我们会遇到很多要判断一个元素是否在某个集合中的业务场景，一般想到的是将集合中所有元素保存起来，然后通过比较确定。链表、树、散列表（又叫哈希表，Hash table）等等数据结构都是这种思路。但是随着集合中元素的增加，我们需要的存储空间也会呈现线性增长，最终达到瓶颈。同时检索速度也越来越慢，上述三种结构的检索时间复杂度分别为O(n), O(logn), O(1)。这个时候，布隆过滤器就应运而生。
布隆过滤器（Bloom Filter）是1970年由布隆提出的。布隆过滤器其实就是一个很长的二进制向量和一系列随机映射函数。可以用于快速检索一个元素是否在一个集合中出现的方法。

原理

如果想判断一个元素是不是在一个集合里，我们一般想到的是将所有元素保存起来，然后通过比较确定。我们熟悉的链表，树等等数据结构都是这种思路。但是随着集合中元素的增加，我们需要的存储空间越来越大，检索速度也越来越慢。不过世界上还有一种叫作散列表（又叫哈希表）的数据结构。它可以通过一个Hash函数将一个元素映射成一个位阵列中的一个点。这样一来，我们只要看看这个点是不是 1 就知道可以集合中有没有它了。这其实就是布隆过滤器的基本思想。

Hash算法面临的问题就是hash冲突。假设 Hash 函数是良好的，如果我们的位阵列长度为 m 个点，那么如果我们想将冲突率降低到例如 1%, 这个散列表就只能容纳 m/100 个元素。显然这就不叫空间有效了（Space-efficient）。解决方法：就是使用多个 Hash算法，如果它们有一个说元素不在集合中，那肯定就不在。如果它们都说在，有一定可能性它们在说谎，虽然概率比较低。

算法：

首先需要k个hash函数，每个函数可以把key散列成为1个整数
初始化时，需要一个长度为n比特的数组，每个比特位初始化为0
某个key加入集合时，用k个hash函数计算出k个散列值，并把数组中对应的比特位置为1
判断某个key是否在集合时，用k个hash函数计算出k个散列值，并查询数组中对应的比特位，如果所有的比特位都是1，认为在集合中。

其优点：

空间效率和查询时间都比一般的算法要好的多,比如增加和查询元素的时间复杂为O(N)
由于不需要存储key，所以特别节省存储空间。
保密性强，布隆过滤器不存储元素本身~~

其缺点：

由于采用hash算法，可能出现hash冲突，导致有一定的误判率，但是可以通过调整参数来降低

布隆过滤器的误判是指多个输入经过哈希之后在相同的bit位置1了，这样就无法判断究竟是哪个输入产生的，因此误判的根源在于相同的 bit 位被多次映射且置 1。

无法获取元素本身
由于hash算法导致hash冲突必然存在，所以删除元素是很困难的，而且删掉元素会导致误判率增加。

布隆过滤器的使用场景

我们可以充分利用布隆过滤器的特点：如果布隆过滤器说有一个说元素不在集合中，那肯定就不在。如果布隆过滤器说在，有一定可能性它在说谎。

比较热门的场景就是：解决Redis缓存穿透问题

缓存穿透: 指用户的请求去查询缓存和数据库中都不存在的数据，可用户还是源源不断的发起请求，导致每次请求都会打到数据库上，从而压垮数据库

邮件过滤，使用布隆过滤器来做邮件黑名单过滤，还有重复推荐内容过滤，网址过滤, web请求访问拦截器，等等
许多数据库内置布隆过滤器，用于判断数据是否存在，可以减少数据库很多不必要的磁盘IO操作

简单模拟布隆过滤器

我们来看一个例子：

public class MyBloomFilter {      /**      * 一个长度为10 亿的比特位      */     private static final int DEFAULT_SIZE = 256 << 22;      /**      * 为了降低错误率，使用加法hash算法，所以定义一个8个元素的质数数组      */     private static final int[] seeds = {3, 5, 7, 11, 13, 31, 37, 61};      /**      * 相当于构建 8 个不同的hash算法      */     private static HashFunction[] functions = new HashFunction[seeds.length];      /**      * 初始化布隆过滤器的 bitmap      */     private static BitSet bitset = new BitSet(DEFAULT_SIZE);      /**      * 添加数据      *      * @param value 需要加入的值      */     public static void add(String value) {         if (value != null) {             for (HashFunction f : functions) {                 //计算 hash 值并修改 bitmap 中相应位置为 true                 bitset.set(f.hash(value), true);             }         }     }      /**      * 判断相应元素是否存在      * @param value 需要判断的元素      * @return 结果      */     public static boolean contains(String value) {         if (value == null) {             return false;         }         boolean ret = true;         for (HashFunction f : functions) {             ret = bitset.get(f.hash(value));             //一个 hash 函数返回 false 则跳出循环             if (!ret) {                 break;             }         }         return ret;     }      /**      * 模拟用户在不在线。。。      */     public static void main(String[] args) {          for (int i = 0; i < seeds.length; i++) {             functions[i] = new HashFunction(DEFAULT_SIZE, seeds[i]);         }          // 添加1亿数据         for (int i = 0; i < 100000000; i++) {             add(String.valueOf(i));         }         String id = "123456789";         add(id);          System.out.println(contains(id));   //结果： true         System.out.println("" + contains("234567890"));  //结果： false     } }  class HashFunction {      private int size;     private int seed;      public HashFunction(int size, int seed) {         this.size = size;         this.seed = seed;     }      public int hash(String value) {         int result = 0;         int len = value.length();         for (int i = 0; i < len; i++) {             result = seed * result + value.charAt(i);         }         int r = (size - 1) & result;         return (size - 1) & result;     } }

我们平时学习的时候可以去实现一下算法，但实际开发过程中，一般不推荐重复造轮子，简单的实现布隆过滤器, 我们一般可以用google.guava库

Guava布隆过滤器

首先引入依赖：

<dependency>     <groupId>com.google.guava</groupId>     <artifactId>guava</artifactId>     <version>28.0-jre</version> </dependency>

举个例子：

// 创建布隆过滤器对象，预计包含的数据量：2000个，和允许的误差值0.01 BloomFilter<Integer> filter = BloomFilter.create(         Funnels.integerFunnel(),         2000,         0.01);  System.out.println(filter.mightContain(10));// 判断指定元素是否存在 System.out.println(filter.mightContain(20)); filter.put(10);// 将元素添加进布隆过滤器 filter.put(20); System.out.println(filter.mightContain(10));// 判断指定元素是否存在 System.out.println(filter.mightContain(20));

其中：当mightContain()方法返回_true_时，我们可以大概率确定该元素在过滤器中，但当过滤器返回_false_时，我们可以100％确定该元素不存在于过滤器中。
布隆过滤器的允许的误差值越小，需要的存储空间就越大，对于不需要过于精确的场景，允许的误差值设置稍大一点也可以。
Guava 提供的布隆过滤器的实现还是很不错的,但是随着微服务、分布式的不断发展，对于微服务多实例的场景下就不太适用了，只适合单机，解决方案是：一般是借助Redis中的布隆过滤器

Redis布隆过滤器

Redis 4.0 的时候官方提供了插件机制，布隆过滤器正式登场。以下网站可以下载官方提供的已经编译好的可拓展模块。
https://redis.com/redis-enterprise-software/download-center/modules

这边使用docker安装,自己挑选合适的镜像

~ docker pull redislabs/rebloom:latest ~ docker run -p 6379:6379 --name redis-bloom redislabs/rebloom:latest ~ docker exec -it redis-bloom bash  root@113d012d35:/data# redis-cli 127.0.0.1:6379>

进入容器内部后，常用的命令：

//-------------------------常用命令 BF.ADD --添加一个元素到布隆过滤器 BF.EXISTS --判断元素是否在布隆过滤器 BF.MADD --添加多个元素到布隆过滤器 BF.MEXISTS --判断多个元素是否在布隆过滤器  //-------------------------具体操作  127.0.0.1:6379> BF.ADD myFilter hello (integer) 1 127.0.0.1:6379> BF.ADD myFilter people (integer) 1 127.0.0.1:6379> BF.EXISTS myFilter hello (integer) 1 127.0.0.1:6379> BF.EXISTS myFilter people (integer) 1 127.0.0.1:6379> BF.EXISTS myFilter github (integer) 0

布谷鸟过滤器

为了解决布隆过滤器不能删除元素的问题，布谷鸟过滤器应运而生。论文《Cuckoo Filter：Better Than Bloom》作者将布谷鸟过滤器和布隆过滤器进行了深入的对比。但是其删除并不完美，存在误删的概率，还存在插入复杂度比较高等问题。由于使用较少，本文就不过多介绍了，感兴趣的自行了解文章。

参考资料：
https://www.cnblogs.com/feily/articles/14048396.html
https://www.cnblogs.com/liyulong1982/p/6013002.html

本篇文章到这里就结束啦，很感谢你能看到最后，如果觉得文章对你有帮助，别忘记关注我！更多精彩的文章