0 9 布隆过滤器（Bloom Filter）

思考

◼ 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

◼ 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

◼ 是否存在时间复杂度低、占用内存较少的方案？

布隆过滤器（Bloom Filter）

 

布隆过滤器（Bloom Filter）

◼ 1970年由布隆提出

它是一个空间效率高的概率型数据结构，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

◼ 它实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 是哈希函数的个数。空间复杂度是：O(m) ，m 是二进制位的个数

布隆过滤器的误判率

 

布隆过滤器的实现

◼ Guava: Google Core Libraries For Java

https://mvnrepository.com/artifact/com.google.guava/guava