布隆过滤器和位图

搁浅里妥协

已于 2024-05-23 18:04:25 修改

阅读量1.1k

点赞数 21

文章标签：哈希算法 java

于 2024-05-23 18:02:06 首次发布

本文链接：https://blog.csdn.net/m0_63102097/article/details/139154353

版权

1.布隆过滤器

2.位图

3.布隆过滤器和位图区别

1.布隆过滤器

布隆过滤器（Bloom Filter）是一种用于检索一个元素是否存在于一个集合中的数据结构。它是由布隆在1970年提出的。布隆过滤器的优点是空间效率高，并且查询速度快，但是有一定的误判率。

布隆过滤器的基本原理是使用多个哈希函数对输入元素进行哈希，将得到的哈希值映射到一个足够长的位数组（通常是由比特构成），并将这些位置置为1。当查询元素是否存在时，对输入元素进行相同的哈希映射，检查对应的位数组位置是否都为1，如果是则说明该元素可能存在在集合中（存在一定的误判率），如果有任何一位为0，则说明该元素一定不存在在集合中。

布隆过滤器的误判率由哈希函数的数量和位数组长度决定，误判率越低，则所需的位数组长度和哈希函数数量就越多。因此，布隆过滤器用于判定元素不存在时是准确的，但对于判定元素存在时可能会出现误判。所以布隆过滤器通常适用于对查询性能要求较高、但能容忍一定的误判率的场景。

以下是一个简单的布隆过滤器的示例使用代码（假设使用Java的Guava库）：

import com.google.common.hash.BloomFilter;
import com.google.common.hash.Funnels;

public class BloomFilterExample {
    public static void main(String[] args) {
        int expectedInsertions = 1000000;
        double fpp = 0.01; // 期望的误判率

        BloomFilter<String> bloomFilter = BloomFilter.create(Funnels.stringFunnel(), expectedInsertions, fpp);

        // 添加元素到布隆过滤器中
        bloomFilter.put("apple");
        bloomFilter.put("banana");
        bloomFilter.put("orange");

        // 查询元素是否存在
        System.out.println(bloomFilter.mightContain("apple"));  // true
        System.out.println(bloomFilter.mightContain("watermelon"));  // false
    }
}

在上述示例中，我们使用了BloomFilter类来创建布隆过滤器，并向其中添加元素，然后判断元素是否存在于布隆过滤器中。

2.位图

位图（Bitmap）是一种数据结构，用于表示一组不同元素的集合，其中每个元素对应位图中的一个位。如果元素存在，则对应的位为1；否则为0。位图可以用于表示整数或者其他基本数据类型的集合，并且可以进行集合的交集、并集、差集等操作。

在计算机中，位图通常以比特数组（Bit Array）的形式存储，其中一个比特表示一个元素的存在与否。由于每个元素只占用一个比特，因此位图在存储空间上具有较高的效率。

位图常见的应用包括：

数据压缩：位图可以用于对大规模整数集合进行压缩存储，以节省存储空间。
数据过滤：位图可以用于过滤查询，例如数据库查询中的条件过滤，通过位图快速判断是否符合条件。
网络编程：位图可以用于表示网络中的路由表和掩码等信息。

下面是一个简单的位图的示例代码（假设使用Java）：

public class BitMap {
    private long[] bits;

    public BitMap(int capacity) {
        bits = new long[(capacity >> 6) + 1]; // 每个long型变量表示64个bit位
    }

    // 将某个数设置为1
    public void set(int num) {
        int index = num >> 6; // num / 64，确定num在哪个long型变量上
        int offset = num & 0x3f; // num % 64，确定num在long型变量的第几位
        bits[index] |= 1L << offset; // 将对应的位置为1
    }

    // 判断某个数是否为1
    public boolean get(int num) {
        int index = num >> 6; // num / 64
        int offset = num & 0x3f; // num % 64
        return (bits[index] & (1L << offset)) != 0; // 判断对应位是否为1
    }
    
    // 示例用法
    public static void main(String[] args) {
        BitMap bitmap = new BitMap(1000);
        bitmap.set(100);
        System.out.println(bitmap.get(100)); // 结果为true
        System.out.println(bitmap.get(200)); // 结果为false
    }
}

在上述示例中，我们创建了一个简单的BitMap类，实现了set方法用于将某个数设置为1，get方法用于判断某个数是否为1。

3.布隆过滤器和位图区别

布隆过滤器（Bloom Filter）和位图（Bitmap）都是用于表示集合的数据结构，但它们的设计目标和使用场景略有不同。

布隆过滤器：

布隆过滤器是一种用于检查一个元素是否属于一个集合的数据结构，它通常用于高效地判断元素不存在于一个集合中。
布隆过滤器使用多个哈希函数对输入元素进行哈希，并将得到的哈希值映射到一个足够长的位数组（通常是由比特构成），并将这些位置置为1。当检查元素是否存在时，对输入元素进行相同的哈希映射，检查对应的位数组位置是否都为1。

位图（Bitmap）：