布隆过滤器Bloom Filter
var code = “73cfe8c8-40a7-4d01-8c89-93736e7f0d1f”
概述
问题抛出：如何判断一个元素在亿级数据中是否存在？
常规思路：HashMap/HashSet。但是很容易内存溢出。
故而，最需要解决的是如何将庞大的数据load到内存中。而是否可以换种思路，因为只是需要判断数据是否存在，也不是需要把数据查询出来，所以完全没有必要将真正的数据存放进去。
BurtonHoward提出BloomFilter算法主要就是用于解决判断一个元素是否在一个集合中，优势在于只需占用很小的内存空间却有着极高的查询效率。最重要的两个方法是：add() 和contains()。不会存在false negative，即：如果contains()返回false，则该元素一定不在集合中，但会存在一定的true negative，即：如果contains()返回true，则该元素可能在集合中。
原理
一个保存很长的二级制向量，同时结合 Hash 函数实现的。
如图：
- 首先需要初始化一个二进制的数组，长度设为 L，同时初始值全为 0 。
- 当写入一个 A1=1000 的数据时，进行 H 次 hash 函数的运算（这里为 2 次）；与 HashMap 有点类似，通过算出的 HashCode 与 L 取模后定位到 0、2 处，将该处的值设为 1。
- A2=2000 也是同理计算后将 4、7 位置设为 1。
- 当有一个 B1=1000 需要判断是否存在时，也是做两次 Hash 运算，定位到 0、2 处，此时他们的值都为 1 ，所以认为 B1=1000 存在于集合中。
- 当有一个 B2=3000 时，第一次 Hash 定位到 index=4 时，数组中的值为 1，所以再进行第二次 Hash 运算，结果定位到 index=5 的值为 0，所以认为 B2=3000 不存在于集合中。
整个的写入、查询的流程就是这样，汇总起来就是：
对写入的数据做 H 次 hash 运算定位到数组中的位置，同时将数据改为 1 。当有数据查询时也是同样的方式定位到数组中。 一旦其中的有一位为 0 则认为数据肯定不存在于集合，否则数据可能存在于集合中。
几个特点：
- 只要返回数据不存在，则肯定不存在。
- 返回数据存在，但只能是大概率存在。
- 同时不能清除其中的数据。
为什么返回存在的数据却是可能存在呢，在有限的数组长度中存放大量的数据，即便是再完美的 Hash 算法也会有冲突，所以有可能两个完全不同的 A、B 两个数据最后定位到的位置是一模一样的。
删除数据也是同理，当我把 B 的数据删除时，其实也相当于是把 A 的数据删掉，这样也会造成后续的误报。
基于以上的 Hash 冲突的前提，所以 BloomFilter 有一定的误报率，这个误报率和 Hash算法的次数 H，以及数组长度 L 都是有关的。
测试
测试一个元素是否属于一个百万元素集合所需耗时
import com.google.common.hash.BloomFilter;
import com.google.common.hash.Funnels;
@Slf4j
public class Test {
private static int size = 1000000;
// 第三个参数为误判率；2个参数，默认误判率为;
private static BloomFilter<Integer> bloomFilter = BloomFilter.create(Funnels.integerFunnel(), size);
public static void main(String[] args) {
for (int i = 0; i < size; i++) {
bloomFilter.put(i);
}
long startTime = System.nanoTime();
if (bloomFilter.mightContain(29999)) {
System.out.println("命中了");
}
long endTime = System.nanoTime();
log.info("程序运行时间： " + (endTime - startTime) + "纳秒");
}
}
输出：命中了
程序运行时间： 219386纳秒
也就是说，判断一个数是否属于一个百万级别的集合，只要0.219ms即可。
Guava
应用
布隆过滤器至少有如下三个使用场景：
- 网页爬虫对URL的去重，避免爬取相同的URL地址
- 反垃圾邮件，从数十亿个垃圾邮件列表中判断某邮箱是否垃圾邮箱（垃圾短信）
- 缓存击穿，将已存在的缓存放到布隆过滤器中，当黑客访问不存在的缓存时迅速返回避免缓存及DB挂掉。
其中第三点，具体来说：IO是很多系统的瓶颈。当请求消息查询某些信息时，可能先检查缓存中是否有相关信息，有的话返回，如果没有的话可能就要去数据库里面查询。问题：如果大量请求是在请求数据库根本不存在的数据，数据库就要频繁响应这种不必要的IO查询。布隆过滤器可以派生用场。
