如何快速檢查元素是否存在？

作者：指北君 2022-10-24 08:17:29

BloomFilter雖然看起來簡單，但是其內部的實現(xiàn)包含了很多的數(shù)學與算法知識，我們只是通過其簡單的API就能各種復雜的功能。關于如何將目前說到的這些在具體的項目中進行實踐與集成后面會來介紹，首先我們能夠先了解一些技術一起能解決上面問題，理解了原理與目的，使用也就不是難事。

大家好，我是指北君。

如標題一樣，我們今天看一下一個經(jīng)常聽到，可能沒用到的技術。

Guava BloomFilter

布隆過濾器是一個很長的二進制向量和一系列隨機映射函數(shù)。布隆過濾器可以用于檢索一個元素是否在一個集合中。它的優(yōu)點是空間效率和查詢時間都比一般的算法要好的多，缺點是有一定的誤識別率和刪除困難。

基本概念

當需要判斷某個元素是否在某個數(shù)據(jù)集中時，一般會怎么做？

將數(shù)據(jù)集封裝成集合，比如List、Set等

通過集合提供的API判斷該元素是否存在于集合

這樣的實現(xiàn)比較簡單，同時通過現(xiàn)有的JDK都能很快達到目的，但是設想一下，如果上面說到的集合數(shù)據(jù)量非常的大，這樣不僅會耗費較大的存儲空間，同時在集合中檢索元素的時間復雜度也會隨之增加。那么有沒比較好的方法去實現(xiàn)判斷元素是否存在這樣的情形呢？

也就是布隆過濾器。

通過一系列的Hash函數(shù)將元素映射到一個位陣列（Bit Array）中的多個點位上，判斷元素是否存在，則是判斷所有點位是不是都為1。然而，位陣列上都為1并不一定能夠保證該元素一定存在，也有可能是其他元素Hash后落在了該點位上，這就是布隆過濾器的誤判。

因此通過布隆過濾器我們可以確定：

元素可能在集合中
元素一定不在集合中

應用場景

網(wǎng)頁爬蟲時忽略已經(jīng)判定的URL路徑
郵箱通過設置過濾垃圾郵件
集合重復元素的判別，有效判斷元素不在集合中
防止數(shù)據(jù)緩存時的緩存穿透問題

優(yōu)缺點

優(yōu)點

相比于其它的數(shù)據(jù)結構，布隆過濾器在空間和時間方面都有巨大的優(yōu)勢。

布隆過濾器存儲空間和插入/查詢時間都是常數(shù)。

Hash函數(shù)相互之間沒有關系，方便由硬件并行實現(xiàn)。

布隆過濾器不需要存儲元素本身，對保密要求非常嚴格的場合有優(yōu)勢。

布隆過濾器可以表示全集，其它任何數(shù)據(jù)結構都不能。

缺點

元素存在的誤判

一般情況下不支持元素（位陣列）的刪除

實現(xiàn)原理

核心其實是元素如何存儲？如何判斷元素是否存在？核心方法就兩個，一個“存”一個檢查，里面涉及到了算法相關知識，感興趣可以深入研究下其實現(xiàn)原理與思想。

put 將元素放入過濾器中，但不是存儲

        public <T> boolean put(@ParametricNullness T object, Funnel<? super T> funnel, int numHashFunctions, LockFreeBitArray bits) {
            long bitSize = bits.bitSize(); // 位數(shù)組，可以通過redis來實現(xiàn)分布式的布隆過濾器
            long hash64 = Hashing.murmur3_128().hashObject(object, funnel).asLong(); //通過funnel將對象轉換成基本類型并計算64位hash
            int hash1 = (int)hash64; // 取低32位
            int hash2 = (int)(hash64 >>> 32); // 取高32位
            boolean bitsChanged = false;
            // 
            for(int i = 1; i <= numHashFunctions; ++i) {
                int combinedHash = hash1 + i * hash2;
                if (combinedHash < 0) {
                    combinedHash = ~combinedHash;
                }

                bitsChanged |= bits.set((long)combinedHash % bitSize);
            }

            return bitsChanged;
        }

mightContain 與put相似，計算的過程相同，不同的是值的判斷

        public <T> boolean mightContain(@ParametricNullness T object, Funnel<? super T> funnel, int numHashFunctions, LockFreeBitArray bits) {
            long bitSize = bits.bitSize();
            long hash64 = Hashing.murmur3_128().hashObject(object, funnel).asLong();
            int hash1 = (int)hash64;
            int hash2 = (int)(hash64 >>> 32);

            for(int i = 1; i <= numHashFunctions; ++i) {
                int combinedHash = hash1 + i * hash2;
                if (combinedHash < 0) {
                    combinedHash = ~combinedHash;
                }

                if (!bits.get((long)combinedHash % bitSize)) {
                    return false;
                }
            }

            return true;
        }

我們可以簡單第理解其實現(xiàn)原理？比如現(xiàn)在有一個容器，我們定義為String[] bitArray = new String[26]作為位陣列，現(xiàn)在有一堆由小寫英文組成的元素，我們假定Hash算法為a-z到1~26的映射。

現(xiàn)在有一個元素abc，hash后為1110000000...，保存到bitArray ：1110000000...
現(xiàn)在有一個元素cde, hash后為0011100000...，保存到bitArray ：1111100000...
現(xiàn)在又有一個新的元素ade，hash后同樣為100110000...，很明顯會認為該元素存在，這就是FFP

為什么判斷元素一定不在集合中呢？很顯然，如果一個元素存在，則該元素hash后的bit數(shù)組必須全部都是1，反之則不存在

示例

    @Test
    public void match(){
        BloomFilter filter = BloomFilter.create(Funnels.stringFunnel(Charset.defaultCharset()),10000,0.2);
        List<String> ids = new ArrayList<>();

        IntStream.rangeClosed(1,10000).forEach(index->{
            String id = UUID.randomUUID().toString();
            ids.add(id);
            filter.put( id );
        });

        ids.forEach(id->{
            // 正常情況下全部失敗，但是會有 20%的返回true
            System.out.println( id + ":" + filter.mightContain( id+1 ));
        });
    }

流程很簡單：

根據(jù)配置構建BloomFilter對象
通過put方法，初始化數(shù)據(jù)到filter
通過方法mightContain判斷元素是否存在

結束語

責任編輯：武曉燕來源： Java技術指北

API 算法元素