1 布隆过滤器
- 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
- 布隆过滤器是一种时间复杂度低、占用内存较少的方案
- 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。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)
- 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
- 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
- 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
- BloomFilter
package com.mj;
public class BloomFilter<T> {
private int bitSize;
private long[] bits;
private int hashSize;
public BloomFilter(int n, double p) {
if (n <= 0 || p <= 0 || p >= 1) {
throw new IllegalArgumentException("wrong n or p");
}
double ln2 = Math.log(2);
bitSize = (int) (