浅谈布隆过滤器

一、布隆过滤器是什么

　　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。

二、布隆过滤器的基本思想
　　通过一种叫作散列表（又叫哈希表，Hash table）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（Bit array）中的一个点。这样一来，我们只要看看这个点是不是1就可以知道集合中有没有它了

三、布隆过滤器如何解决哈希冲突的

　　解决方法就是使用多个Hash函数，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，虽然也有一定可能性它们在说谎，不过直觉上判断这种事情的概率是比较低的。

四、布隆过滤器的优缺点

优点：

　　1.布隆过滤器的存储空间和插入/查询时间都是常数

　　2.Hash函数相互之间没有关系，方便由硬件并行实现

　　3.布隆过滤器不需要存储元素本身，在某些对保密要求非常严格的场合有优势

　　4.布隆过滤器可以表示全集，其它任何数据结构都不能

缺点:

　　1.存在一定的误算率，随着存入的元素数量增加，误算率随之增加

　　　　（常见的补救办法是建立一个小的白名单，存储那些可能被误判的元素。但是如果元素数量太少，则使用散列表足矣）

　　2.一般情况下不能从布隆过滤器中删除元素

　　　　首先我们必须保证删除的元素的确在布隆过滤器里面. 这一点单凭这个过滤器是无法保证的。另外计数器回绕也会造成问题。这就导致删除元素需要很高的成本。

五、布隆过滤器的应用场景

　　1.网页URL的去重

　　2.垃圾邮件的判别

　　3.集合重复元素的判别

　　4.查询加速（比如基于key-value的存储系统）等

六、布隆过滤器的JAVA实现

/**
  * 描述：TODO(用一句话描述该文件做什么)
  */
package com.zbq.utils;

import java.io.BufferedReader;
import java.io.File;
import java.io.FileInputStream;
import java.io.IOException;
import java.io.InputStream;
import java.io.InputStreamReader;
import java.util.BitSet;

/**
 * 类名： BloomFilterTest
 * 包名： com.utilTest
 * 描述： 布隆过滤器，传统的布隆过滤器不支持从集合中删除成员
 */
public class BloomFilterTest {
    //DEFAULT_SIZE为2的29次方，即此处的左移28位
    private static final int DEFAULT_SIZE = 2<<28;
    /*
     * 不同哈希函数的种子，一般取质数
     * seeds数组共有8个值，则代表采用8种不同的哈希函数
     */
    private int[] seeds = new int[]{3, 5, 7, 11, 13, 31, 37, 61};
    /*
     * 初始化一个给定大小的位集
     * BitSet实际是由“二进制位”构成的一个Vector。
     * 假如希望高效率地保存大量“开－关”信息，就应使用BitSet.
     */
    private BitSet bitSets = new BitSet(DEFAULT_SIZE);
    //构建hash函数对象
    private SimpleHash[] hashFuns = new SimpleHash[seeds.length];
    //布隆过滤器配置文件存放路径
    private String path = "";

    public BloomFilterTest(String path){
        /**
         *  给出所有的hash值，共计seeds.length个hash值。共8位。
         *  通过调用SimpleHash.hash(),可以得到根据8种hash函数计算得出hash值。
         *  传入DEFAULT_SIZE(最终字符串的长度），seeds[i](一个指定的质数)即可得到需要的那个hash值的位置。
         */
        for(int i=0; i<seeds.length; i++){
            hashFuns[i] = new SimpleHash(DEFAULT_SIZE, seeds[i]);
        }
        //配置文件路径地址
        this.path = path;
    }
    /**
     *
     * 方法名：add
     * 描述：将给定的字符串标记到bitSets中，即设置字符串的8个函数值的位置为1
     * @param value
     */
    public synchronized void add(String value){
        for(SimpleHash hashFun : hashFuns){
            bitSets.set(hashFun.hash(value), true);
        }
    }
    /**
     *
     * 方法名：isExit
     * 描述：判断给定的字符串是否已经存在在bloofilter中，如果存在返回true，不存在返回false
     * @param value
     * @return
     */
    public synchronized boolean isExit(String value){
        //判断传入的值是否为null
        if(null == value){
            return false;
        }

        for(SimpleHash hashFun : hashFuns){
            if(!bitSets.get(hashFun.hash(value))){
                //如果判断8个hash函数值中有一个位置不存在即可判断为不存在Bloofilter中
                return false;
            }
        }

        return true;
    }

    /**
     *
     * 方法名：init
     * 描述：读取配置文件
     */
    public void init(){
        File file = new File(path);
        FileInputStream in = null;
        try {
            in = new FileInputStream(file);
            long lt = System.currentTimeMillis();
            read(in);
            System.out.println(System.currentTimeMillis()-lt);
            System.out.println(Runtime.getRuntime().totalMemory());
        }catch(Exception e){
            e.printStackTrace();
        }finally{
            try {
                if(in!=null){
                    in.close();
                    in = null;
                }
            } catch (IOException e) {
                // TODO Auto-generated catch block
                e.printStackTrace();
            }
        }
    }

    /**
     *
     * 方法名：read
     * 描述：根据传入的流，初始化bloomfilter
     * @param in
     */
    private void read(InputStream in){
        if(null == in){    //如果in为null，则返回
            return;
        }

        int i = 0;
        InputStreamReader reader = null;

        try {
            //创建输入流
            reader = new InputStreamReader(in, "UTF-8");
            BufferedReader buffReader = new BufferedReader(reader, 512);
            String theWord = null;
            do {
                i++;
                theWord = buffReader.readLine();
                //如果theWord不为null和空，则加入Bloomfilter中
                if(theWord!=null && !theWord.trim().equals("")){
                    add(theWord);
                }
                if(i%10000 == 0){
                    System.out.println(i);
                }

            } while (theWord != null);

        } catch (IOException e){
            e.printStackTrace();
        } finally{
            //关闭流
            try {
                if(reader != null){
                    reader.close();
                    reader = null;
                }
                if(in != null){
                    in.close();
                    in = null;
                }
            } catch (IOException e) {
                // TODO: handle exception
                e.printStackTrace();
            }

        }
    }

    /**
     * 方法名：main
     * 描述：TODO(这里用一句话描述这个方法的作用)
     * @param args
     */
    public static void main(String[] args) {
        // TODO Auto-generated method stub
        BloomFilterTest bloomFilterTest = new BloomFilterTest("f:/fetchedurls.txt");
        bloomFilterTest.init();

        System.out.println(bloomFilterTest.isExit("http://www.plating.org/news_info.asp?pid=28&id=2857"));
    }

    public static class SimpleHash {
        /*
         * cap为DEFAULT_SIZE，即用于结果的最大字符串的值
         * seed为计算hash值的一个key值，具体对应上文中的seeds数组
         */
        private int cap;
        private int seed;
        /**
         *
         * 构造函数
         * @param cap
         * @param seed
         */
        public SimpleHash(int cap, int seed){
            this.cap = cap;
            this.seed = seed;
        }
        /**
         *
         * 方法名：hash
         * 描述：计算hash的函数，用户可以选择其他更好的hash函数
         * @param value
         * @return
         */
        public int hash(String value){
            int result = 0;
            int length = value.length();
            for(int i=0; i<length; i++){
                result = seed*result + value.charAt(i);
            }

            return (cap-1) & result;
        }
    }

}