布隆过滤器（实际操作）

• 概念

  布隆过滤器是概率型数据结构，由一个二进制向量和一系列随机映射函数组成。它可以用于检索一个元素是否在一个集合中。

• 实现过程

  1. 定义向量长度，并赋初值为0.
  2. 定义N个hash函数，并指定个数(1,N)
  3. 将需要存储的值经过n个hash计算得出的值作为key来修改向量的值(0=>1)
  4. 查询某个变量值是否不存在布隆过滤器里，只需要看它的hash值所对应的向量值是否为0，如果有一个为0，则一定不存在。如果全部为1，也不能证明该变量值一定在布隆过滤器里。

• 图例展示

  • 初始化向量，并赋予初值为0

    

  • 添加数据

    
    

  • 检查数据

  

  • 获取结论

    只能判断这个数据完全不存在，但是不能完全判断其存在。

• 优势/劣势

  • 优势
    1. 布隆过滤器存储空间和插入/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。
  • 劣势
    1. 误差率
    2. 难以删除

• 删除在布隆过滤器的值
  

  • 通过引用计数来实现，也就是说在hash值所对应的向量值采取引用计数方式，如果某个hash值是这个向量所对应的索引，则给它加1。如果要删除这个hash值所对应的向量的话，就看其索引值是否为0.如果不是0，就不能删除，否则可以删除。
  • 删除整个布隆过滤器，重新在添加数据。

• 代码实现

  • 安装 mmh3 pip install mmh3
  • 安装bitarray pip install bitarray

  from bitarray import bitarray
  import mmh3
  # 布隆过滤器实现类
  class BloomFilter(set):
  		# 初始化函数，定义向量的长度，和hash的次数
      def __init__(self, size, hash_count):
          super(BloomFilter, self).__init__()
          self.bit_array = bitarray(size)
          self.bit_array.setall(0)
          self.size = size
          self.hash_count = hash_count
  		
      def __len__(self):
          return self.size
  
      def __iter__(self):
          return iter(self.bit_array)
  		# 添加 数据到 布隆过滤器中
      def add(self, item):
          for ii in range(self.hash_count):
              index = mmh3.hash(item, ii) % self.size
              self.bit_array[index] = 1
          return self
  		# 检查 hash值是否在向量中
      def __contains__(self, item):
          out = True
          for ii in range(self.hash_count):
              index = mmh3.hash(item, ii) % self.size
              if self.bit_array[index] == 0:
                  out = False
          return out
  
  # 启动文件
  if __name__ == '__main__':
      bloom = BloomFilter(100, 10)
      companys = ['sina','tencent','alibaba']
      # 将数据添加到布隆过滤器中
      for company in companys:
          bloom.add(company)
      # 查看你添加的公司是否都已已经添加到布隆过滤器中？
      for company in companys:
          if company in bloom:
              print('{} 已添加'.format(company))
          else:
              print('{} 有问题'.format(company))
      # 查看其他公司是否也在布隆过滤器里
      other_companys = ['baidu','sina','facebook','twitter','microsoft','google','kingston','dajiang','douyu','momo','yy']
      for other_company in other_companys:
          if other_company in bloom:
              print('{} 可能在布隆过滤器里'.format(other_company))
          else:
              print('{} 一定不在布隆过滤器里'.format(other_company))