布隆过滤器(Bloom Filter)
背景
如果要经常判断1个元素是否存在,你会怎么做?
- 很容易想到使用哈希表(HashSet、HashMap),将元素作为key去查找
- 时间复杂度:O(1), 但是空间利用率不高,需要占用比较多的内存资源
但如果需要编写一个网络爬虫去爬10亿个网站数据,为了避免爬到重复的网站,如何判断某个网站是否爬过?
- 很显然HashSet、HashMap并不是非常好的选择
那么是否存在时间复杂低、占用内存较少的方案?
- 布隆过滤器(Bloom Filter)
布隆过滤器(Bloom Filter)
布隆过滤器是1970年由布隆提出,它是一个空间效率高的概率型的数据结构,可以用来告诉你:一个元素一定不存在或者可能存在;
优缺点:
- 优点:空间效率和查询时间都远远超过一般的算法
- 缺点:有一定的误判率、删除困难
它本质上是一个很长的二进制向量和一系列随机映射函数(Hash函数)
常见应用:
- 网页黑名单系统、垃圾邮件过滤系统、爬虫的网址判重系统、解决缓存穿透问题
布隆过滤器的原理
假设布隆过滤器由20位二进制、3个哈希函数组成,每个元素经过哈希函数处理都能生成一个索引位置;
- 添加元素:将每一个哈希函数生成的索引位置都设置为1;
- 查询元素是否存在:
- 如果有一个哈希函数生成的索引位置不为1,就代表不存在(100准确);
- 如果每一个哈希函数生成的索引位置都为1,就代表存在(存在一定的误判率);
- 添加、查询的时间复杂度都是O(k),k是哈希函数个数
布隆过滤器的误判率
加、查询的时间复杂度都是O(k),k是哈希函数个数