如何在海量数据中判断某个数据是否存在？

这是一道面试题：如何在海量数据（如亿级数据）中判断某个数据是否存在？

回想一下，在 java 中我们可以使用列表、集合等数据结构来存放数据，如 hashmap，然后判断某个数据是否存在，但在此问题中显然不适用，因为上亿的数据在内存较小的计算机中无法存放。

通常我们有以下解决思路：

1. 将海量数据分散存储到多个文件中去，依次将每个文件载入内存进行判定；

2. 使用多台机器进行分布式计算，每台机器完成各自任务；

3. 使用布隆过滤器（Bloom Filter）。

本篇主要介绍第三种方法：布隆过滤器。

我们先熟悉一下位图的概念。

位图也叫位数组，可以看成是一个数组，每个数组单元只存储“0”或者“1”，每个单元大小为1bit。

 

正是因为位图所需内存较小，所以这里可派上用场。

上文说了，位图存放的是 0 和 1，那么怎么和实际数据对应起来呢？很自然能想到使用哈希函数。

如图，将人名存进位图时，可使用 hash 函数，将人名映射到对应的位图单元中，并将该单元数值置为 1，0 则代表没有数据映射到该单元，即该单元没有存放数据。

然而 hash 冲突是不可避免的，图中可看到“潘金莲”和“武松”散列到了同一个数组单元。这就出现了一个问题：假如我们要存储的数据中有“潘金莲”，没有“武松”，当我们对“武松”进行哈希后发现其对应位置为1，于是认为“武松”存在于该数据集中，显然这个结果是错误的，因为1是潘金莲的映射结果。

那么怎么解决这个问题呢？因为 hash 冲突不可避免，所以我们只能尽量减少冲突的发生。

一般有两种思路：

1. 对位图扩容，使用容量更大的位图；

2. rehash。

事实上，大名鼎鼎的布隆过滤器（Bloom Filter）使用的便是这两种思路。看下百度百科给出的定义。

布隆过滤器（Bloom Filter）是1970年由布隆提出的。它实际上是一个很长的二进制向量和一系列随机映射函数。布隆过滤器可以用于检索一个元素是否在一个集合中。它的优点是空间效率和查询时间都比一般的算法要好的多，缺点是有一定的误识别率和删除困难。

简单而言，布隆过滤器就是位图 + 一系列随机映射函数。

如上图，使用了三个互相独立的 hash 函数，对每条数据都进行三次哈希，并将对应单元置为 1。

这样能减少 hash 冲突的发生，当然 hash 函数的个数以及位图的容量是视情况而定的。

布隆过滤器的优点：

1. 每个单元只占1bit，所用空间小；
2. 使用哈希直接查找，查询时间短。

布隆过滤器的缺点：

1. 由于 hash 冲突的存在，有一定的误判率；
2. 由于 hash 冲突的存在，删除数据较为困难。

先看误判率。

其实与刚才“武松和潘金莲”的问题类似：假设“吴用”并不在数据集中，但它的位置已被其它数据置为 1，那么判定结果会错误。

但如果“吴用”对应的某个位置为 0，那么“吴用”必定不存在，因为如果存在，与其对应的所有位置都为1.

由此可得下面两条结论：

• 布隆过滤器判断数据存在，那么它可能存在也可能不存在。
• 布隆过滤器判断数据不存在，那么它必定不存在。

再看删除数据。

这个也好理解，举个栗子。

“吴用”和“宋江”都映射到④号位置，现在想要删除“吴用”，那么④号位置到底要不要置为 0 呢？如果置为 0，那么“宋江”就不高兴了，如果不变，显然又会增加对“吴用”的误判率（已经被删除，但该位置还是1）。

在后来的改进中，对位图的每个单元增加了计数器，计数器初始值为 0，每映射一个数据，计数器加 1，每删除一个数据，计数器减 1。这样在删除数据时，只要计数器当前值大于 1，该单元就不置为 0。

布隆过滤器的应用场景有很多，典型的有 Redis 的缓存穿透、爬虫时 URL 去重、垃圾邮件的判别等。

转载：如何在海量数据中判断某个数据是否存在？_刘翔UP的博客-CSDN博客_如何在大量的数据中判断一个数是否存在

（SAW：Game Over！）