spring boot 布隆过滤器,redis 布隆过滤

　　 </dependency> </dependencies></project>redis本身对布隆过滤器就有一个很好地实现，在 java 端，我们直接导入 redisson 的 jar包即可

<dependency>  <groupId>org.redisson</groupId>  <artifactId>redisson</artifactId>  <version>3.8.2</version></dependency>

将 Redisson实例注入 SpringIOC 容器中

@Configurationpublic class RedissonConfig {    @Value("${redisson.redis.address}")    private String address;    @Value("${redisson.redis.password}")    private String password;    @Bean    public Config redissionConfig() {        Config config = new Config();        SingleServerConfig singleServerConfig = config.useSingleServer();        singleServerConfig.setAddress(address);        if (StringUtils.isNotEmpty(password)) {            singleServerConfig.setPassword(password);        }        return config;    }    @Bean    public RedissonClient redissonClient() {        return Redisson.create(redissionConfig());    }}

配置文件

redisson.redis.address=redis://127.0.0.1:6379redisson.redis.password=

最后测试我们的布隆过滤器

@SpringBootApplicationpublic class BloomApplication {    public static void main(String[] args) {        ConfigurableApplicationContext context = SpringApplication.run(BloomApplication.class, args);        RedissonClient redisson = context.getBean(RedissonClient.class);        RBloomFilter bf = redisson.getBloomFilter("test-bloom-filter");        bf.tryInit(100000L, 0.03);        Set<String> set = new HashSet<String>(1000);        List<String> list = new ArrayList<String>(1000);      //向布隆过滤器中填充数据，为了测试真实，我们记录了 1000 个 uuid，另外 9000个作为干扰数据        for (int i = 0; i < 10000; i++) {           String uuid = UUID.randomUUID().toString();          if(i<1000){            set.add(uuid);            list.add(uuid);          }                     bf.add(uuid);        }        int wrong = 0; // 布隆过滤器误判的次数        int right = 0;// 布隆过滤器正确次数        for (int i = 0; i < 10000; i++) {            String str = i % 10 == 0 ? list.get(i / 10) : UUID.randomUUID().toString();            if (bf.contains(str)) {                if (set.contains(str)) {                    right++;                } else {                    wrong++;                }            }        }        //right 为1000        System.out.println("right:" + right);        //因为误差率为3%，所以一万条数据wrong的值在30左右        System.out.println("wrong:" + wrong);          //过滤器剩余空间大小        System.out.println(bf.count());    }}

以上使我们使用 redisson 的使用方式，下面介绍一种比较原始的方式，使用lua脚本的方式

方式二

bf_add.lua

local bloomName = KEYS[1]local value = KEYS[2]local result = redis.call(BF.ADD,bloomName,value)return result

bf_exist.lua

local bloomName = KEYS[1]local value = KEYS[2] local result = redis.call(BF.EXISTS,bloomName,value)return result

@Servicepublic class RedisBloomFilterService {    @Autowired    private RedisTemplate redisTemplate;    //我们依旧用刚刚的那个过滤器    public static final String BLOOMFILTER_NAME = "test-bloom-filter";    /**     * 向布隆过滤器添加元素     * @param str     * @return     */    public Boolean bloomAdd(String str) {        DefaultRedisScript<Boolean> LuaScript = new DefaultRedisScript<Boolean>();        LuaScript.setScriptSource(new ResourceScriptSource(new ClassPathResource("bf_add.lua")));        LuaScript.setResultType(Boolean.class);        //封装传递脚本参数        List<String> params = new ArrayList<String>();        params.add(BLOOMFILTER_NAME);        params.add(str);        return (Boolean) redisTemplate.execute(LuaScript, params);    }    /**     * 检验元素是否可能存在于布隆过滤器中 * @param id * @return     */    public Boolean bloomExist(String str) {        DefaultRedisScript<Boolean> LuaScript = new DefaultRedisScript<Boolean>();        LuaScript.setScriptSource(new ResourceScriptSource(new ClassPathResource("bf_exist.lua")));        LuaScript.setResultType(Boolean.class);        //封装传递脚本参数        ArrayList<String> params = new ArrayList<String>();        params.add(BLOOMFILTER_NAME);        params.add(String.valueOf(str));        return (Boolean) redisTemplate.execute(LuaScript, params);    }}

最后我们还是用上面的启动器执行测试代码

@SpringBootApplicationpublic class BloomApplication {    public static void main(String[] args) {        ConfigurableApplicationContext context = SpringApplication.run(BloomApplication.class, args);        RedisBloomFilterService filterService = context.getBean(RedisBloomFilterService.class);        Set<String> set = new HashSet<String>(1000);        List<String> list = new ArrayList<String>(1000);        //向布隆过滤器中填充数据，为了测试真实，我们记录了 1000 个 uuid，另外 9000个作为干扰数据        for (int i = 0; i < 10000; i++) {            String uuid = UUID.randomUUID().toString();            if (i < 1000) {                set.add(uuid);                list.add(uuid);            }            filterService.bloomAdd(uuid);        }        int wrong = 0; // 布隆过滤器误判的次数        int right = 0;// 布隆过滤器正确次数        for (int i = 0; i < 10000; i++) {            String str = i % 10 == 0 ? list.get(i / 10) : UUID.randomUUID().toString();            if (filterService.bloomExist(str)) {                if (set.contains(str)) {                    right++;                } else {                    wrong++;                }            }        }        //right 为1000        System.out.println("right:" + right);        //因为误差率为3%，所以一万条数据wrong的值在30左右        System.out.println("wrong:" + wrong);    }}

相比而言，个人比较推荐第一种，实现的原理都是差不多，redis 官方已经为我封装好了执行脚本，和相关 api，用官方的会更好一点

　　到此这篇关于SpringBoot+Redis实现布隆过滤器的示例代码的文章就介绍到这了,更多相关SpringBoot Redis布隆过滤器内容请搜索盛行IT以前的文章或继续浏览下面的相关文章希望大家以后多多支持盛行IT！

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。

方式二

相关文章阅读