布隆过滤器有什么用？什么原理？如何使用？

傷城~ 2024-05-07 22:32 78阅读 0赞

## 1 前言 ##

布隆过滤器相信大家没用过的话，也已经听过了。

布隆过滤器主要是为了解决海量数据的存在性问题。对于海量数据中判定某个数据是否存在且容忍轻微误差这一场景（比如缓存穿透、海量数据去重）来说，非常适合。

## 2 什么是布隆过滤器？ ##

首先，我们需要了解布隆过滤器的概念。

布隆过滤器（Bloom Filter，BF）是一个叫做 Bloom 的老哥于 1970 年提出的。我们可以把它看作由二进制向量（或者说位数组）和一系列随机映射函数（哈希函数）两部分组成的数据结构。相比于我们平时常用的 List、Map、Set 等数据结构，它占用空间更少并且效率更高，但是缺点是其返回的结果是概率性的，而不是非常准确的。理论情况下添加到集合中的元素越多，误报的可能性就越大。并且，存放在布隆过滤器的数据不容易删除。

Bloom Filter 会使用一个较大的 bit 数组来保存所有的数据，数组中的每个元素都只占用 1 bit ，并且每个元素只能是 0 或者 1（代表 false 或者 true），这也是 Bloom Filter 节省内存的核心所在。这样来算的话，申请一个 100w 个元素的位数组只占用 1000000Bit / 8 = 125000 Byte = 125000/1024 KB ≈ 122KB 的空间。

![位数组][742a0d5c9fcf43018823fedaf4903abb.jpeg]  
总结：一个名叫 Bloom 的人提出了一种来检索元素是否在给定大集合中的数据结构，这种数据结构是高效且性能很好的，但缺点是具有一定的错误识别率和删除难度。并且，理论情况下，添加到集合中的元素越多，误报的可能性就越大。

## 3 布隆过滤器的原理介绍 ##

当一个元素加入布隆过滤器中的时候，会进行如下操作：

1.  使用布隆过滤器中的哈希函数对元素值进行计算，得到哈希值（有几个哈希函数得到几个哈希值）。
2.  根据得到的哈希值，在位数组中把对应下标的值置为 1。

当我们需要判断一个元素是否存在于布隆过滤器的时候，会进行如下操作：

1.  对给定元素再次进行相同的哈希计算；
2.  得到值之后判断位数组中的每个元素是否都为 1，如果值都为 1，那么说明这个值在布隆过滤器中，如果存在一个值不为 1，说明该元素不在布隆过滤器中。

Bloom Filter 的简单原理图如下：

![Bloom Filter 的简单原理示意图][Bloom Filter]  
如图所示，当字符串存储要加入到布隆过滤器中时，该字符串首先由多个哈希函数生成不同的哈希值，然后将对应的位数组的下标设置为 1（当位数组初始化时，所有位置均为 0）。当第二次存储相同字符串时，因为先前的对应位置已设置为 1，所以很容易知道此值已经存在（去重非常方便）。

如果我们需要判断某个字符串是否在布隆过滤器中时，只需要对给定字符串再次进行相同的哈希计算，得到值之后判断位数组中的每个元素是否都为 1，如果值都为 1，那么说明这个值在布隆过滤器中，如果存在一个值不为 1，说明该元素不在布隆过滤器中。

不同的字符串可能哈希出来的位置相同，这种情况我们可以适当增加位数组大小或者调整我们的哈希函数。

综上，我们可以得出：布隆过滤器说某个元素存在，小概率会误判。布隆过滤器说某个元素不在，那么这个元素一定不在。

## 4 布隆过滤器使用场景 ##

### 4.1 使用场景1 ###

判断给定数据是否存在：比如判断一个数字是否存在于包含大量数字的数字集中（数字集很大，上亿）、 防止缓存穿透（判断请求的数据是否有效避免直接绕过缓存请求数据库）等等、邮箱的垃圾邮件过滤（判断一个邮件地址是否在垃圾邮件列表中）、黑名单功能（判断一个 IP 地址或手机号码是否在黑名单中）等等。

### 4.2 使用场景2 ###

去重：比如爬给定网址的时候对已经爬取过的 URL 去重、对巨量的 QQ 号/订单号去重。

去重场景也需要用到判断给定数据是否存在，因此布隆过滤器主要是为了解决海量数据的存在性问题。

## 5 实战 ##

### 5.1 通过 Java 编程手动实现布隆过滤器 ###

我们上面已经说了布隆过滤器的原理，知道了布隆过滤器的原理之后就可以自己手动实现一个了。

如果你想要手动实现一个的话，你需要：

1.  一个合适大小的位数组保存数据
2.  几个不同的哈希函数
3.  添加元素到位数组（布隆过滤器）的方法实现
4.  判断给定元素是否存在于位数组（布隆过滤器）的方法实现。

下面给出一个我觉得写的还算不错的代码（参考网上已有代码改进得到，对于所有类型对象皆适用）：

import java.util.BitSet;
    
    public class MyBloomFilter {
        
    
        /**
         * 位数组的大小
         */
        private static final int DEFAULT_SIZE = 2 << 24;
        /**
         * 通过这个数组可以创建 6 个不同的哈希函数
         */
        private static final int[] SEEDS = new int[]{
        3, 13, 46, 71, 91, 134};
    
        /**
         * 位数组。数组中的元素只能是 0 或者 1
         */
        private BitSet bits = new BitSet(DEFAULT_SIZE);
    
        /**
         * 存放包含 hash 函数的类的数组
         */
        private SimpleHash[] func = new SimpleHash[SEEDS.length];
    
        /**
         * 初始化多个包含 hash 函数的类的数组，每个类中的 hash 函数都不一样
         */
        public MyBloomFilter() {
        
            // 初始化多个不同的 Hash 函数
            for (int i = 0; i < SEEDS.length; i++) {
        
                func[i] = new SimpleHash(DEFAULT_SIZE, SEEDS[i]);
            }
        }
    
        /**
         * 添加元素到位数组
         */
        public void add(Object value) {
        
            for (SimpleHash f : func) {
        
                bits.set(f.hash(value), true);
            }
        }
    
        /**
         * 判断指定元素是否存在于位数组
         */
        public boolean contains(Object value) {
        
            boolean ret = true;
            for (SimpleHash f : func) {
        
                ret = ret && bits.get(f.hash(value));
            }
            return ret;
        }
    
        /**
         * 静态内部类。用于 hash 操作！
         */
        public static class SimpleHash {
        
    
            private int cap;
            private int seed;
    
            public SimpleHash(int cap, int seed) {
        
                this.cap = cap;
                this.seed = seed;
            }
    
            /**
             * 计算 hash 值
             */
            public int hash(Object value) {
        
                int h;
                return (value == null) ? 0 : Math.abs(seed * (cap - 1) & ((h = value.hashCode()) ^ (h >>> 16)));
            }
    
        }
    }

测试1：

String value1 = "1";
    String value2 = "2";
    MyBloomFilter filter = new MyBloomFilter();
    System.out.println(filter.contains(value1));
    System.out.println(filter.contains(value2));
    filter.add(value1);
    filter.add(value2);
    System.out.println(filter.contains(value1));
    System.out.println(filter.contains(value2));

Output1：

false
    false
    true
    true

测试2：

Integer value1 = 13423;
    Integer value2 = 22131;
    MyBloomFilter filter = new MyBloomFilter();
    System.out.println(filter.contains(value1));
    System.out.println(filter.contains(value2));
    filter.add(value1);
    filter.add(value2);
    System.out.println(filter.contains(value1));
    System.out.println(filter.contains(value2));

Output2：

false
    false
    true
    true

### 5.2 利用 Google 开源的 Guava 中自带的布隆过滤器 ###

自己实现的目的主要是为了让自己搞懂布隆过滤器的原理，Guava 中布隆过滤器的实现算是比较权威的，所以实际项目中我们不需要手动实现一个布隆过滤器。

首先我们需要在项目中引入 Guava 的依赖：

<dependency>
        <groupId>com.google.guava</groupId>
        <artifactId>guava</artifactId>
        <version>28.0-jre</version>
    </dependency>

实际使用如下：

我们创建了一个最多存放 最多 1500 个整数的布隆过滤器，并且我们可以容忍误判的概率为百分之（0.01）

// 创建布隆过滤器对象
    BloomFilter<Integer> filter = BloomFilter.create(
        Funnels.integerFunnel(),
        1500,
        0.01);
    // 判断指定元素是否存在
    System.out.println(filter.mightContain(1));
    System.out.println(filter.mightContain(2));
    // 将元素添加进布隆过滤器
    filter.put(1);
    filter.put(2);
    System.out.println(filter.mightContain(1));
    System.out.println(filter.mightContain(2));

在我们的示例中，当 mightContain() 方法返回 true 时，我们可以 99％确定该元素在过滤器中，当过滤器返回 false 时，我们可以 100％确定该元素不存在于过滤器中。

Guava 提供的布隆过滤器的实现还是很不错的（想要详细了解的可以看一下它的源码实现），但是它有一个重大的缺陷就是只能单机使用（另外，容量扩展也不容易），而现在互联网一般都是分布式的场景。为了解决这个问题，我们就需要用到 Redis 中的布隆过滤器了。

## 6 Redis 中的布隆过滤器 ##

### 6.1 介绍 ###

Redis v4.0 之后有了 Module（模块/插件） 功能，Redis Modules 让 Redis 可以使用外部模块扩展其功能 。布隆过滤器就是其中的 Module。详情可以查看 Redis 官方对 Redis Modules 的介绍：https://redis.io/modules

另外，官网推荐了一个 RedisBloom 作为 Redis 布隆过滤器的 Module，地址：https://github.com/RedisBloom/RedisBloom其他还有：

*  redis-lua-scaling-bloom-filter（lua 脚本实现）：https://github.com/erikdubbelboer/redis-lua-scaling-bloom-filter
 *  pyreBloom（Python 中的快速 Redis 布隆过滤器）：https://github.com/seomoz/pyreBloom
 *  ……

RedisBloom 提供了多种语言的客户端支持，包括：Python、Java、JavaScript 和 PHP。

### 6.2 使用 Docker 安装 ###

如果我们需要体验 Redis 中的布隆过滤器非常简单，通过 Docker 就可以了！我们直接在 Google 搜索 docker redis bloomfilter 然后在排除广告的第一条搜素结果就找到了我们想要的答案（这是我平常解决问题的一种方式，分享一下），具体地址：https://hub.docker.com/r/redislabs/rebloom/ （介绍的很详细 ）。

具体操作如下：

➜  ~ docker run -p 6379:6379 --name redis-redisbloom redislabs/rebloom:latest
    ➜  ~ docker exec -it redis-redisbloom bash
    root@21396d02c252:/data# redis-cli
    127.0.0.1:6379>

注意：当前 rebloom 镜像已经被废弃，官方推荐使用redis-stack\[1\]

### 6.3 常用命令一览 ###

> 注意：key : 布隆过滤器的名称，item : 添加的元素。

1.  BF.ADD：将元素添加到布隆过滤器中，如果该过滤器尚不存在，则创建该过滤器。格式：BF.ADD \{key\} \{item\}。
2.  BF.MADD : 将一个或多个元素添加到“布隆过滤器”中，并创建一个尚不存在的过滤器。该命令的操作方式BF.ADD与之相同，只不过它允许多个输入并返回多个值。格式：BF.MADD \{key\} \{item\} \[item …\] 。
3.  BF.EXISTS : 确定元素是否在布隆过滤器中存在。格式：BF.EXISTS \{key\} \{item\}。
4.  BF.MEXISTS：确定一个或者多个元素是否在布隆过滤器中存在格式：BF.MEXISTS \{key\} \{item\} \[item …\]。

另外， BF.RESERVE 命令需要单独介绍一下：

这个命令的格式如下：

BF.RESERVE \{key\} \{error\_rate\} \{capacity\} \[EXPANSION expansion\] 。

下面简单介绍一下每个参数的具体含义：

1.  key：布隆过滤器的名称
2.  error\_rate : 期望的误报率。该值必须介于 0 到 1 之间。例如，对于期望的误报率 0.1％（1000 中为 1），error\_rate 应该设置为 0.001。该数字越接近零，则每个项目的内存消耗越大，并且每个操作的 CPU 使用率越高。
3.  capacity: 过滤器的容量。当实际存储的元素个数超过这个值之后，性能将开始下降。实际的降级将取决于超出限制的程度。随着过滤器元素数量呈指数增长，性能将线性下降。

可选参数：

*  expansion：如果创建了一个新的子过滤器，则其大小将是当前过滤器的大小乘以expansion。默认扩展值为 2。这意味着每个后续子过滤器将是前一个子过滤器的两倍。

### 6.4 实际使用 ###

127.0.0.1:6379> BF.ADD myFilter java
    (integer) 1
    127.0.0.1:6379> BF.ADD myFilter javaguide
    (integer) 1
    127.0.0.1:6379> BF.EXISTS myFilter java
    (integer) 1
    127.0.0.1:6379> BF.EXISTS myFilter javaguide
    (integer) 1
    127.0.0.1:6379> BF.EXISTS myFilter github
    (integer) 0

[742a0d5c9fcf43018823fedaf4903abb.jpeg]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/07/289c92bd1b68489f951dc27a649db714.jpeg
[Bloom Filter]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/07/01e069dc08234e50bd76a325dfb36e59.png