千万级数据去重其实并不复杂

之前曾经看过一句话觉得挺好，大概的意思就是不同的数据结构有不同的适用场景和优缺点，需要仔细权衡自己的需求之后妥善适用它们。感觉布隆过滤器的实现是正好印证了这句话。

一、原理

布隆过滤器本质上是一种比较巧妙的概率型数据结构，用来告诉我们某个东西一定不存在或可能存在，特点是高效的插入和查询，但不支持删除。

布隆过滤器不保存数据本身，而是通过 K 个hash 函数来计算在 byte[] 数组中的存放位置，并把这些个位置置为 1。如果计算结果所有需要置起的位置对应的值都是0，则认为该值不存在，如果存在值为1的位置（表示该位置被其他数据设置过），则认为该值可能存在。所以相比List、Map这种数据结构，它更省内存，可以被用来处理数据过滤、黑名单、处理缓存穿透等问题。举个例子：

假设我们布隆过滤器长度为10，同时有3个hash函数，我们给定一个数据为”hello“，通过3个hash函数计算后得到位置分别为1，4，7，假设此时这三个位置上的值都为0，表明该数据不存在。给定另一个数据为”sun“，计算后得到位置为2，7，9，此时位置7已经被置为1，则认为该数据可能存在。可见，布隆过滤器的容错跟本身定义的容量和整体的数据量的大小有关，容量一定的情况下，数据量越大，出现误判的可能性越大。

对于布隆过滤器，Guava、Redis本身已经有实现，就不用重复去造轮子了。

二、基于Guava实现

2.1 添加依赖：

<dependency>
    <groupId>com.google.guava</groupId>
    <artifactId>guava</artifactId>
    <version>19.0</version>
</dependency>

2.2 增加两个配置项信息

bloomFilter.elementSize=10000000 //布隆过滤器预估存放的最大值
bloomFilter.errorProbability=0.0000001 //误判率

2.3 对布隆过滤器做一个封装，方便操作数据：

public interface BloomFilterWrap {

    boolean add(String info);

    boolean clear();
}

2.4 接口实现：

@Component
public class RepeatFilterWrap implements BloomFilterWrap{

    @Value("${bloomFilter.elementSize}")
    private long elementSize;
    
    @Value("${bloomFilter.errorProbability}")
    private double errorProbability;
    
    private BloomFilter<String> bloomFilter;

    @PostConstruct
    private void init() throws Exception{
        initBloomFilter();
    }

    @Override
    public boolean add(String info) {
        if(bloomFilter.mightContain(info)){
            return false;
        }
        bloomFilter.put(info);
        return true;
    }

    @Override
    public boolean clear() {
        initBloomFilter();
        return true;
    }

    private void initBloomFilter(){
        bloomFilter = BloomFilter.create(Funnels.stringFunnel(Charset.defaultCharset()), elementSize, errorProbability);
    }
}

三、效果

一千万条数据，误判率百万分之一，最后计算出来占用的内存只有40M。在公司实际项目中，存在着大量的黑名单在数据发送的时候需要被过滤，就采用了布隆过滤器和Redis配合校验，每次发送的时候会先判断数据是否存在布隆过滤器中，存在的话再去查Redis中是否存在，避免每次请求都去查Redis，效果还是很可观的。