布隆过滤器

小谈布隆过滤器

1. BitMap
   Bit-map的基本思想就是用一个bit位来标记某个元素对应的Value，而Key即是该元素。由于采用了Bit为单位来存储数据，因此在存储空间方面，可以大大节省。（PS：划重点 节省存储空间）

假设有这样一个需求：在20亿个随机整数中找出某个数m是否存在其中，并假设32位操作系统，4G内存

在Java中，int占4字节，1字节=8位（1 byte = 8 bit）

如果每个数字用int存储，那就是20亿个int，因而占用的空间约为 (2000000000*4/1024/1024/1024)≈7.45G

如果按位存储就不一样了，20亿个数就是20亿位，占用空间约为 (2000000000/8/1024/1024/1024)≈0.233G

2. Bitmap有什么用

大量数据的快速排序、查找、去重

• 快速排序

假设我们要对0-7内的5个元素(4,7,2,5,3)排序（这里假设这些元素没有重复）,我们就可以采用Bit-map的方法来达到排序的目的。

要表示8个数，我们就只需要8个Bit（1Bytes），首先我们开辟1Byte的空间，将这些空间的所有Bit位都置为0，然后将对应位置为1。

最后，遍历一遍Bit区域，将该位是一的位的编号输出（2，3，4，5，7），这样就达到了排序的目的，时间复杂度O(n)。

优点：

运算效率高，不需要进行比较和移位；
占用内存少，比如N=10000000；只需占用内存为N/8=1250000Byte=1.25M

缺点：

所有的数据不能重复。即不可对重复的数据进行排序和查找。
只有当数据比较密集时才有优势

bloompy 提供了四种布隆过滤器：

1、标准布隆过滤器。
标准布隆过滤器只能进行数据的查询和插入，是其他过滤器的基类，可以进行过滤器的存储和恢复，代码示例：

import bloompy
bf = bloompy.BloomFilter(error_rate=0.001,element_num=10**3)

查询元素是否在过滤器里返回状态标识

如果不在里面则插入，返回False表示元素不在过滤器里

bf.add(1)
False

bf.add(1)
True

1 in bf
True

bf.exists(1)
True

bf.add([1,2,3])
False

bf.add([1,2,3])
True

[1,2,3] in bf
True

bf.exists([1,2,3])
True

将过滤器存储在一个文件里

bf.tofile(‘filename.suffix’)

从一个文件里恢复过滤器。自动识别过滤器的种类。

recovered_bf = bloompy.get_filter_fromfile(‘filename.suffix’)

或者使用过滤器类的类方法 ‘fromfile’ 来进行过滤器的复原。对应的类只能恢复对应的过滤器

recovered_bf = bloompy.BloomFilter.fromfile(‘filename.suffix’)

返回已经插入的元素个数

bf.count
2

过滤器的容量

bf.capacity
1000

过滤器的位向量

bf.bit_array
bitarray(‘00…’)

过滤器位数组长度

bf.bit_num
14400

过滤器的哈希种子，默认是素数，可修改

bf.seeds
[2, 3, 5, 7, 11,…]

过滤器哈希函数个数

bf.hash_num
10

2、计数布隆过滤器。
它是标准布隆过滤器的子类，但是可以执行删除操作。内置默认使用 4 位二进制位来表示标准布隆过滤器的 1 个位，从而实现可以增减。

import bloompy
cbf = bloompy.CountingBloomFilter(error_rate=0.001,element_num=10**3)

与标准布隆过滤器一样

cbf.add(12)
False

cbf.add(12)
True

12 in cbf
True

cbf.count
1

查询元素状态返回标识，如果元素存在过滤器里则删除

cbf.delete(12)
True

cbf.delete(12)
False

12 in cbf
False

cbf.count
0

从文件中恢复过滤器

recovered_cbf = bloompy.CountingBloomFilter.fromfile(‘filename.suffix’)

3、标准扩容布隆过滤器。
当插入的元素个数超过当前过滤器的容量时，自动增加过滤器的容量，默认内置一次扩容 2 倍。支持查询和插入功能。

import bloompy
sbf = bloompy.ScalableBloomFilter(error_rate=0.001,initial_capacity=10**3)

默认初次可以设置容量1000

len(sbf)
0

12 in sbf
False

sbf.add(12)
False

12 in sbf
True

len(sbf)
1

sbf.filters
[<bloompy.BloomFilter object at 0x000000000B6F5860>]

sbf.capacity
1000

#当过滤器的元素个数达到容量极限时，过滤器会自动增加内置的标准过滤器，
#每次增加2倍容量，自动实现扩容

for i in range(1000):
sbf.add(i)

600 in sbf
True

len(sbf)
2

sbf.filters
[<bloompy.BloomFilter object at 0x000000000B6F5860>, <bloompy.BloomFilter object at 0x000000000B32F748>]

sbf.capacity
3000

从文件中恢复过滤器

recovered_sbf = bloompy.ScalableBloomFilter.fromfile(‘filename.suffix’)

4、计数扩容布隆过滤器。
它是标准扩容布隆过滤器的子类，但支持删除元素的操作。

import bloompy
scbf = bloompy.SCBloomFilter(error_rate=0.001,initial_capacity=10**3)

scbf.add(1)
False

1 in scbf
True

scbf.delete(1)
True

1 in scbf
False

len(scbf)
1

scbf.filters
[<bloompy.CountingBloomFilter object at 0x000000000B6F5828>]

插入元素使其达到过滤器当前容量极限值

for i in range(1100):
scbf.add(i)

len(scbf)
2

scbf.filters
[<bloompy.CountingBloomFilter object at 0x000000000B6F5828>, <bloompy.CountingBloomFilter object at 0x000000000B6F5898>]

从文件中恢复过滤器

recovered_scbf = bloompy.SCBloomFilter.fromfile(‘filename.suffix’)