本篇博文,旨在介绍一种可以快速检索元素是否存在的数据结构 --- 布隆过滤器;本文从位图和布隆过滤器的对比,讨论了使用这两种数据结构的不同情况;并介绍了布隆过滤器的几种主要使用场景
布隆过滤器的引入
之前学习了位图,可以快速的判断一个整数是否存在于一个集合中
然而,现实生活中我们用的很多是字符串,单用位图处理不了字符串,由此引来了位图
布隆过滤器的思想
学过了哈希表后我们知道字符串哈希算法,可以将字符串转换为一个key值,然后存入位图
但是,通过字符串哈希算法后,也很有可能会造成哈希冲突(多个字符串映射成同一个key值),这样误判率就会很高
布隆过滤器的实现
于是,布隆过滤器就是采用同时进行多个字符串哈希算法,进行映射;
假设我们用5个字符串哈希算法进行映射,那么在判断一个字符串是否存在时,只需判断对应的五个位是否同时存在即可
布隆过滤器的代码实现
#pragma once
#include<iostream>
using namespace std;
//包我们自己定义的位图头文件
#include"BitMap.h"
//定义五个字符串哈希算法
template<class T>
struct BKDRHash
{
size_t operator()(const T str)
{
register size_t hash = 0;
for (size_t i = 0; i < str.size(); ++i)
{
hash = hash * 131 + str[i];
}
return hash;
}
};
template<class T>
struct SDBMHash
{
size_t operator()(const T str)
{
register size_t hash = 0;
for (size_t i = 0; i < str.size(); ++i)
{
hash = 65599 * hash + str[i];
}
return hash;
}
};
template<class T>
struct RSHash
{
size_t operator()(const T str)
{
register size_t hash = 0;
size_t magic = 63689;
for (size_t i = 0; i < str.size(); ++i)
{
hash = hash * magic + str[i];
magic *= 378551;
}
return hash;
}
};
template<class T>
struct APHash
{
size_t operator()(const T str)
{
register size_t hash = 0;
for (long i = 0; i < str.size(); ++i)
{
if ((i & 1) == 0)
{
hash ^= ((hash << 7) ^ str[i] ^ (hash >> 3));
}
else
{
hash ^= (~((hash << 11) ^ str[i] ^ (hash >> 5)));
}
}
return hash;
}
};
template<class T>
struct JSHash
{
size_t operator()(const T str)
{
if (str.empty())
return 0;
register size_t hash = 1315423911;
for (size_t i = 0; i < str.size(); ++i)
{
hash ^= ((hash << 5) + str[i] + (hash >> 2));
}
return hash;
}
};
//定义布隆过滤器,5个HashFunc是五种不同的字符串哈希算法,用来辅助实现布隆过滤器
template<typename K = string,
typename HashFunc1 = BKDRHash<K>,
typename HashFunc2 = SDBMHash<K>,
typename HashFunc3 = RSHash<K>,
typename HashFunc4 = APHash<K>,
typename HashFunc5 = JSHash<K>>
class BoolmFilter
{
public:
BoolmFilter(size_t num)
:_bp(num*2*5)
{}
size_t HashFunC1(const K& num)
{
HashFunc1 hf;
size_t index = hf(num);
return index;
}
size_t HashFunC2(const K& num)
{
HashFunc2 hf;
return hf(num);
}
size_t HashFunC3(const K& num)
{
HashFunc3 hf;
return hf(num);
}
size_t HashFunC4(const K& num)
{
HashFunc4 hf;
return hf(num);
}
size_t HashFunC5(const K& num)
{
HashFunc5 hf;
return hf(num);
}
void Set(const K &num)
{
//用五中不同的字符串哈希算法求出五个不同的值
size_t hf1 = HashFunC1(num);
size_t hf2 = HashFunC2(num);
size_t hf3 = HashFunC3(num);
size_t hf4 = HashFunC4(num);
size_t hf5 = HashFunC5(num);
//测试五个哈希值
//cout << hf1 << " " << hf2 << " " << hf3 << " " << hf4 << " " << hf5 << endl;
//将五个值都放入位图中
_bp.Set(hf1);
_bp.Set(hf2);
_bp.Set(hf3);
_bp.Set(hf4);
_bp.Set(hf5);
}
//Reset可以用引用计数来实现
//void Reset();
bool Find(K &num)
{
//分别判断num对应的五个值是否存在于位图中
//若有一个不存在,则返回FALSE,num必定不存在
//若都存在,则返回TRUE,但是不能确定一定存在
int hf1 = HashFunC1(num);
if(_bp.Find(hf1) == false)
return false;
int hf2 = HashFunC2(num);
if (_bp.Find(hf2) == false)
return false;
int hf3 = HashFunC3(num);
if (_bp.Find(hf3) == false)
return false;
int hf4 = HashFunC4(num);
if (_bp.Find(hf4) == false)
return false;
int hf5 = HashFunC5(num);
if (_bp.Find(hf5) == false)
return false;
return true;
}
protected:
//定义位图 _bp;
BitMap _bp;
};
布隆过滤器和位图的对比
位图的优点:
可以快速的判断一个整数是否存在于集合中
位图的缺点:
就如同其优点中说的,只能判断整数,无法处理其他类型的数据
布隆过滤器的优点:
1、在位图的基础上利用哈希算法进行扩充,使之可以处理字符串类型的数据
2、时间复杂度O(k),【K表示字符串哈希算法的个数】,其效率远高于其他的算法
布隆过滤器的缺点:
由于哈希冲突,布隆过滤器有一定的误判性,如何使用适量的字符串哈希算法是需要考虑的问题
布隆过滤器的误区:
使用字符串哈希算法的数量越多越好?(错)
这里要说明,字符串哈希算法过多,就会导致一个字符串会占好多个位,冲突的概率还会增大
所以,要使用适量的字符串哈希算法
布隆过滤器的几种主要应用场景:
(1)垃圾网站、邮件的过滤
(2)在爬虫中,如何快速的判断一个网页是否爬过也是布隆过滤器的使用场合之一