如何快速检查元素是否存在？-缺元素怎么检查

大家好，我是指北君。

如标题一样，我们今天看一下一个经常听到，可能没用到的技术。

Guava BloomFilter

布隆过滤器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。

基本概念

当需要判断某个元素是否在某个数据集中时，一般会怎么做？

将数据集封装成集合，比如List、Set等

通过集合提供的API判断该元素是否存在于集合

这样的实现比较简单，同时通过现有的JDK都能很快达到目的，但是设想一下，如果上面说到的集合数据量非常的大，这样不仅会耗费较大的存储空间，同时在集合中检索元素的时间复杂度也会随之增加。那么有没比较好的方法去实现判断元素是否存在这样的情形呢？

也就是布隆过滤器。

通过一系列的Hash函数将元素映射到一个位阵列（Bit Array）中的多个点位上，判断元素是否存在，则是判断所有点位是不是都为1。然而，位阵列上都为1并不一定能够保证该元素一定存在，也有可能是其他元素Hash后落在了该点位上，这就是布隆过滤器的误判。

因此通过布隆过滤器我们可以确定：

元素可能在集合中
元素一定不在集合中

应用场景

网页爬虫时忽略已经判定的URL路径
邮箱通过设置过滤垃圾邮件
集合重复元素的判别，有效判断元素不在集合中
防止数据缓存时的缓存穿透问题

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。

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，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

元素存在的误判

一般情况下不支持元素（位阵列）的删除

实现原理

核心其实是元素如何存储？如何判断元素是否存在？核心方法就两个，一个“存”一个检查，里面涉及到了算法相关知识，感兴趣可以深入研究下其实现原理与思想。

put 将元素放入过滤器中，但不是存储

        public <T> boolean put(@ParametricNullness T object, Funnel<? super T> funnel, int numHashFunctions, LockFreeBitArray bits) {
            long bitSize = bits.bitSize(); // 位数组，可以通过redis来实现分布式的布隆过滤器
            long hash64 = Hashing.murmur3_128().hashObject(object, funnel).asLong(); //通过funnel将对象转换成基本类型并计算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 与put相似，计算的过程相同，不同的是值的判断

        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;
        }

我们可以简单第理解其实现原理？比如现在有一个容器，我们定义为String[] bitArray = new String[26]作为位阵列，现在有一堆由小写英文组成的元素，我们假定Hash算法为a-z到1~26的映射。

现在有一个元素abc，hash后为1110000000...，保存到bitArray ：1110000000...
现在有一个元素cde, hash后为0011100000...，保存到bitArray ：1111100000...
现在又有一个新的元素ade，hash后同样为100110000...，很明显会认为该元素存在，这就是FFP

为什么判断元素一定不在集合中呢？很显然，如果一个元素存在，则该元素hash后的bit数组必须全部都是1，反之则不存在

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->{
            // 正常情况下全部失败，但是会有 20%的返回true
            System.out.println( id + ":" + filter.mightContain( id+1 ));
        });
    }

流程很简单：

根据配置构建BloomFilter对象
通过put方法，初始化数据到filter
通过方法mightContain判断元素是否存在

结束语

BloomFilter虽然看起来简单，但是其内部的实现包含了很多的数学与算法知识，我们只是通过其简单的API就能各种复杂的功能。关于如何将目前说到的这些在具体的项目中进行实践与集成后面会来介绍，首先我们能够先了解一些技术一起能解决上面问题，理解了原理与目的，使用也就不是难事。