Google Guava 中布隆过滤器的介绍和使用
一、简介
布隆过滤器（Bloom Filter）是非常经典的，以空间换时间的算法。布隆过滤器由布隆在 1970 年提出。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远远超过一般的算法，缺点是有一定的误识别率和删除困难。
二、实现原理
布隆过滤器的核心实现是一个超大的位数组和几个哈希函数。假设位数组的长度为 m，哈希函数的个数为 k。
以上图为例，具体的操作流程：假设集合里面有 3 个元素 {x, y, z}，哈希函数的个数为 3。首先将位数组进行初始化，将里面每个位都设置位 0。对于集合里面的每一个元素，将元素依次通过 3 个哈希函数进行映射，每次映射都会产生一个哈希值，这个值对应位数组上面的一个点，然后将位数组对应的位置标记为 1。查询 W 元素是否存在集合中的时候，同样的方法将 W 通过哈希映射到位数组上的 3 个点。如果 3 个点的其中有一个点不为 1，则可以判断该元素一定不存在集合中。反之，如果 3 个点都为 1，则该元素可能存在集合中。注意：此处不能判断该元素是否一定存在集合中，可能存在一定的误判率。可以从图中可以看到：假设某个元素通过映射对应下标为 4、5、6 这 3 个点。虽然这 3 个点都为 1，但是很明显这 3 个点是不同元素经过哈希得到的位置，因此这种情况说明元素虽然不在集合中，也可能对应的都是 1，这是误判率存在的原因。
1、布隆过滤器添加元素
- 将要添加的元素给 k 个哈希函数
- 得到对应于位数组上的 k 个位置
- 将这 k 个位置设为 1
2、布隆过滤器查询元素
- 将要查询的元素给 k 个哈希函数
- 得到对应于位数组上的 k 个位置
- 如果 k 个位置有一个为 0，则肯定不在集合中
- 如果 k 个位置全部为 1，则可能在集合中
3、布隆过滤器的优缺点
优点
相比于其它的数据结构，布隆过滤器在空间和时间方面都有巨大的优势。布隆过滤器存储空间和插入/查询时间都是常数。另外，Hash 函数相互之间没有关系，方便由硬件并行实现。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。
布隆过滤器可以表示全集，其它任何数据结构都不能。
缺点
但是布隆过滤器的缺点和优点一样明显。误算率（False Positive）是其中之一。随着存入的元素数量增加，误算率随之增加（误判补救方法是：再建立一个小的白名单，存储那些可能被误判的信息）。但是如果元素数量太少，则使用散列表足矣。
另外，一般情况下不能从布隆过滤器中删除元素。我们很容易想到把位列阵变成整数数组，每插入一个元素相应的计数器加 1, 这样删除元素时将计数器减掉就可以了。然而要保证安全的删除元素并非如此简单。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。
三、使用 Guava 的布隆过滤器
1、添加依赖
Maven：
<dependency>
<groupId>com.google.guava</groupId>
<artifactId>guava</artifactId>
<version>22</version>
</dependency>
Gradle：
// https://mvnrepository.com/artifact/com.google.guava/guava compile group: 'com.google.guava', name: 'guava', version: '22'
2、使用方法
创建 BloomFilter 对象，需要传入 Funnel 对象，预估的元素个数，误判率。
BloomFilter<String> filter = BloomFilter.create(Funnels.stringFunnel(Charset.defaultCharset()), 1000,0.01);
使用 put 方法添加元素：
filter.put("test");
使用 mightContain 方法判断元素是否存在：
filter.mightContain("test");
3、例子
这个例子中我向布隆过滤器中添加了 10000000 条数据，将 fpp（误判率）设置为 0.001（0.1%）。
public class BloomFilterTest {
private static int insertions = 10000000;
public static void main(String[] args) {
BloomFilter<String> bloomFilter = BloomFilter.create(Funnels.stringFunnel(Charset.defaultCharset()), insertions, 0.001);
Set<String> sets = new HashSet<String>(insertions);
List<String> lists = new ArrayList<String>(insertions);
for (int i = 0; i < insertions; i++) {
String uid = UUID.randomUUID().toString();
bloomFilter.put(uid);
sets.add(uid);
lists.add(uid);
}
int right = 0;
int wrong = 0;
for (int i = 0; i < 10000; i++) {
String data = i % 100 == 0 ? lists.get(i / 100) : UUID.randomUUID().toString();
if (bloomFilter.mightContain(data)) {
if (sets.contains(data)) {
right++;
continue;
}
wrong++;
}
}
NumberFormat percentFormat = NumberFormat.getPercentInstance();
percentFormat.setMaximumFractionDigits(2);
float percent = (float) wrong / 9900;
float bingo = (float) (9900 - wrong) / 9900;
System.out.println("在 " + insertions + " 条数据中，判断 100 实际存在的元素，布隆过滤器认为存在的数量为：" + right);
System.out.println("在 " + insertions + " 条数据中，判断 9900 实际不存在的元素，布隆过滤器误认为存在的数量为：" + wrong);
System.out.println("命中率为：" + percentFormat.format(bingo) + "，误判率为：" + percentFormat.format(percent));
}
}
经过我多次测试，执行结果中的误判率基本保持在 0.1% 左右，误差不会太大。
在 10000000 条数据中，判断 100 实际存在的元素，布隆过滤器认为存在的数量为：100 在 10000000 条数据中，判断 9900 实际不存在的元素，布隆过滤器误认为存在的数量为：8 命中率为：99.92%，误判率为：0.08% 在 10000000 条数据中，判断 100 实际存在的元素，布隆过滤器认为存在的数量为：100 在 10000000 条数据中，判断 9900 实际不存在的元素，布隆过滤器误认为存在的数量为：9 命中率为：99.91%，误判率为：0.09% 在 10000000 条数据中，判断 100 实际存在的元素，布隆过滤器认为存在的数量为：100 在 10000000 条数据中，判断 9900 实际不存在的元素，布隆过滤器误认为存在的数量为：10 命中率为：99.9%，误判率为：0.1% 在 10000000 条数据中，判断 100 实际存在的元素，布隆过滤器认为存在的数量为：100 在 10000000 条数据中，判断 9900 实际不存在的元素，布隆过滤器误认为存在的数量为：15 命中率为：99.85%，误判率为：0.15% 在 10000000 条数据中，判断 100 实际存在的元素，布隆过滤器认为存在的数量为：100 在 10000000 条数据中，判断 9900 实际不存在的元素，布隆过滤器误认为存在的数量为：10 命中率为：99.9%，误判率为：0.1%
四、应用场景
利用布隆过滤器减少磁盘 IO 或者网络请求，因为一旦一个值必定不存在的话，我们可以不用进行后续昂贵的查询请求，比如以下场景：
1、大数据去重；
2、网页爬虫对 URL 的去重，避免爬取相同的 URL 地址；
3、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；
4、缓存击穿，将已存在的缓存放到布隆中，当黑客访问不存在的缓存时迅速返回避免缓存及数据库挂掉。
