本篇文章为你整理了面试题:海量数据处理利器(关于海量数据处理分析的经验总结)的详细内容,包含有海量数据的处理 关于海量数据处理分析的经验总结 海量数据解决方案 海量数据处理与大数据技术实战 面试题:海量数据处理利器,希望能帮助你了解 面试题:海量数据处理利器。
目录概念原理布隆过滤器的使用场景简单模拟布隆过滤器Guava布隆过滤器Redis布隆过滤器布谷鸟过滤器
作者:小牛呼噜噜 https://xiaoniuhululu.com
计算机内功、JAVA底层、面试相关资料等更多精彩文章在公众号「小牛呼噜噜 」
通常我们会遇到很多要判断一个元素是否在某个集合中的业务场景,一般想到的是将集合中所有元素保存起来,然后通过比较确定。链表、树、散列表(又叫哈希表,Hash table)等等数据结构都是这种思路。但是随着集合中元素的增加,我们需要的存储空间也会呈现线性增长,最终达到瓶颈。同时检索速度也越来越慢,上述三种结构的检索时间复杂度分别为O(n), O(logn), O(1)。这个时候,布隆过滤器就应运而生。
布隆过滤器(Bloom Filter)是1970年由布隆提出的。布隆过滤器其实就是一个很长的二进制向量和一系列随机映射函数。可以用于快速检索一个元素是否在一个集合中出现的方法。
如果想判断一个元素是不是在一个集合里,我们一般想到的是将所有元素保存起来,然后通过比较确定。我们熟悉的链表,树等等数据结构都是这种思路。但是随着集合中元素的增加,我们需要的存储空间越来越大,检索速度也越来越慢。不过世界上还有一种叫作散列表(又叫哈希表)的数据结构。它可以通过一个Hash函数将一个元素映射成一个位阵列中的一个点。这样一来,我们只要看看这个点是不是 1 就知道可以集合中有没有它了。这其实就是布隆过滤器的基本思想。
Hash算法面临的问题就是hash冲突。假设 Hash 函数是良好的,如果我们的位阵列长度为 m 个点,那么如果我们想将冲突率降低到例如 1%, 这个散列表就只能容纳 m/100 个元素。显然这就不叫空间有效了(Space-efficient)。解决方法:就是使用多个 Hash算法,如果它们有一个说元素不在集合中,那肯定就不在。如果它们都说在,有一定可能性它们在说谎,虽然概率比较低。
算法:
首先需要k个hash函数,每个函数可以把key散列成为1个整数
初始化时,需要一个长度为n比特的数组,每个比特位初始化为0
某个key加入集合时,用k个hash函数计算出k个散列值,并把数组中对应的比特位置为1
判断某个key是否在集合时,用k个hash函数计算出k个散列值,并查询数组中对应的比特位,如果所有的比特位都是1,认为在集合中。
其优点:
空间效率和查询时间都比一般的算法要好的多,比如增加和查询元素的时间复杂为O(N)
由于不需要存储key,所以特别节省存储空间。
保密性强,布隆过滤器不存储元素本身~~
其缺点:
由于采用hash算法,可能出现hash冲突,导致有一定的误判率,但是可以通过调整参数来降低
布隆过滤器的误判是指多个输入经过哈希之后在相同的bit位置1了,这样就无法判断究竟是哪个输入产生的,因此误判的根源在于相同的 bit 位被多次映射且置 1。
无法获取元素本身
由于hash算法导致hash冲突必然存在,所以删除元素是很困难的,而且删掉元素会导致误判率增加。
布隆过滤器的使用场景
我们可以充分利用布隆过滤器的特点:如果布隆过滤器说有一个说元素不在集合中,那肯定就不在。如果布隆过滤器说在,有一定可能性它在说谎。
比较热门的场景就是:解决Redis缓存穿透问题
缓存穿透: 指用户的请求去查询缓存和数据库中都不存在的数据,可用户还是源源不断的发起请求,导致每次请求都会打到数据库上,从而压垮数据库
邮件过滤,使用布隆过滤器来做邮件黑名单过滤,还有重复推荐内容过滤,网址过滤, web请求访问拦截器,等等
许多数据库内置布隆过滤器,用于判断数据是否存在,可以减少数据库很多不必要的磁盘IO操作
简单模拟布隆过滤器
我们来看一个例子:
public class MyBloomFilter {
* 一个长度为10 亿的比特位
private static final int DEFAULT_SIZE = 256 22;
* 为了降低错误率,使用加法hash算法,所以定义一个8个元素的质数数组
private static final int[] seeds = {3, 5, 7, 11, 13, 31, 37, 61};
* 相当于构建 8 个不同的hash算法
private static HashFunction[] functions = new HashFunction[seeds.length];
* 初始化布隆过滤器的 bitmap
private static BitSet bitset = new BitSet(DEFAULT_SIZE);
* 添加数据
* @param value 需要加入的值
public static void add(String value) {
if (value != null) {
for (HashFunction f : functions) {
//计算 hash 值并修改 bitmap 中相应位置为 true
bitset.set(f.hash(value), true);
* 判断相应元素是否存在
* @param value 需要判断的元素
* @return 结果
public static boolean contains(String value) {
if (value == null) {
return false;
boolean ret = true;
for (HashFunction f : functions) {
ret = bitset.get(f.hash(value));
//一个 hash 函数返回 false 则跳出循环
if (!ret) {
break;
return ret;
* 模拟用户在不在线。。。
public static void main(String[] args) {
for (int i = 0; i seeds.length; i++) {
functions[i] = new HashFunction(DEFAULT_SIZE, seeds[i]);
// 添加1亿数据
for (int i = 0; i 100000000; i++) {
add(String.valueOf(i));
String id = "123456789";
add(id);
System.out.println(contains(id)); //结果: true
System.out.println("" + contains("234567890")); //结果: false
class HashFunction {
private int size;
private int seed;
public HashFunction(int size, int seed) {
this.size = size;
this.seed = seed;
public int hash(String value) {
int result = 0;
int len = value.length();
for (int i = 0; i len; i++) {
result = seed * result + value.charAt(i);
int r = (size - 1) result;
return (size - 1) result;
我们平时学习的时候可以去实现一下算法,但实际开发过程中,一般不推荐重复造轮子,简单的实现布隆过滤器, 我们一般可以用google.guava库
Guava布隆过滤器
首先引入依赖:
dependency
groupId com.google.guava /groupId
artifactId guava /artifactId
version 28.0-jre /version
/dependency
举个例子:
// 创建布隆过滤器对象,预计包含的数据量:2000个,和允许的误差值0.01
BloomFilter Integer filter = BloomFilter.create(
Funnels.integerFunnel(),
2000,
0.01);
System.out.println(filter.mightContain(10));// 判断指定元素是否存在
System.out.println(filter.mightContain(20));
filter.put(10);// 将元素添加进布隆过滤器
filter.put(20);
System.out.println(filter.mightContain(10));// 判断指定元素是否存在
System.out.println(filter.mightContain(20));
其中:当mightContain()方法返回_true_时,我们可以大概率确定该元素在过滤器中,但当过滤器返回_false_时,我们可以100%确定该元素不存在于过滤器中。
布隆过滤器的 允许的误差值 越小,需要的存储空间就越大,对于不需要过于精确的场景,允许的误差值 设置稍大一点也可以。
Guava 提供的布隆过滤器的实现还是很不错的,但是随着微服务、分布式的不断发展,对于微服务多实例的场景下就不太适用了,只适合单机,解决方案是:一般是借助Redis中的布隆过滤器
Redis布隆过滤器
Redis 4.0 的时候官方提供了插件机制,布隆过滤器正式登场。以下网站可以下载官方提供的已经编译好的可拓展模块。
https://redis.com/redis-enterprise-software/download-center/modules
这边使用docker安装,自己挑选合适的镜像
~ docker pull redislabs/rebloom:latest
~ docker run -p 6379:6379 --name redis-bloom redislabs/rebloom:latest
~ docker exec -it redis-bloom bash
root@113d012d35:/data# redis-cli
127.0.0.1:6379
进入容器内部后,常用的命令:
//-------------------------常用命令
BF.ADD --添加一个元素到布隆过滤器
BF.EXISTS --判断元素是否在布隆过滤器
BF.MADD --添加多个元素到布隆过滤器
BF.MEXISTS --判断多个元素是否在布隆过滤器
//-------------------------具体操作
127.0.0.1:6379 BF.ADD myFilter hello
(integer) 1
127.0.0.1:6379 BF.ADD myFilter people
(integer) 1
127.0.0.1:6379 BF.EXISTS myFilter hello
(integer) 1
127.0.0.1:6379 BF.EXISTS myFilter people
(integer) 1
127.0.0.1:6379 BF.EXISTS myFilter github
(integer) 0
布谷鸟过滤器
为了解决布隆过滤器不能删除元素的问题,布谷鸟过滤器应运而生。论文《Cuckoo Filter:Better Than Bloom》作者将布谷鸟过滤器和布隆过滤器进行了深入的对比。但是其删除并不完美,存在误删的概率,还存在插入复杂度比较高等问题。由于使用较少,本文就不过多介绍了,感兴趣的自行了解文章。
参考资料:
https:///feily/articles/14048396.html
https:///liyulong1982/p/6013002.html
本篇文章到这里就结束啦,很感谢你能看到最后,如果觉得文章对你有帮助,别忘记关注我!更多精彩的文章
以上就是面试题:海量数据处理利器(关于海量数据处理分析的经验总结)的详细内容,想要了解更多 面试题:海量数据处理利器的内容,请持续关注盛行IT软件开发工作室。
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。