如何快速檢查元素是否存在?
大家好,我是指北君。
如標(biāo)題一樣,我們今天看一下一個經(jīng)常聽到,可能沒用到的技術(shù)。
Guava BloomFilter
布隆過濾器是一個很長的二進制向量和一系列隨機映射函數(shù)。布隆過濾器可以用于檢索一個元素是否在一個集合中。它的優(yōu)點是空間效率和查詢時間都比一般的算法要好的多,缺點是有一定的誤識別率和刪除困難。
基本概念
當(dāng)需要判斷某個元素是否在某個數(shù)據(jù)集中時,一般會怎么做?
將數(shù)據(jù)集封裝成集合,比如List、Set等
通過集合提供的API判斷該元素是否存在于集合
這樣的實現(xiàn)比較簡單,同時通過現(xiàn)有的JDK都能很快達到目的,但是設(shè)想一下,如果上面說到的集合數(shù)據(jù)量非常的大,這樣不僅會耗費較大的存儲空間,同時 在集合中檢索元素的時間復(fù)雜度也會隨之增加。那么有沒比較好的方法去實現(xiàn)判斷元素是否存在這樣的情形呢?
也就是布隆過濾器。
通過一系列的Hash函數(shù)將元素映射到一個位陣列(Bit Array)中的多個點位上,判斷元素是否存在,則是判斷所有點位是不是都為1。然而,位陣列上都為1并不一定能夠保證該元素一定存在,也有可能是其他元素Hash后落在了該點位上,這就是布隆過濾器的誤判。
因此通過布隆過濾器我們可以確定:
- 元素可能在集合中
- 元素一定不在集合中
應(yīng)用場景
- 網(wǎng)頁爬蟲時忽略已經(jīng)判定的URL路徑
- 郵箱通過設(shè)置過濾垃圾郵件
- 集合重復(fù)元素的判別,有效判斷元素不在集合中
- 防止數(shù)據(jù)緩存時的緩存穿透問題
優(yōu)缺點
- 優(yōu)點
相比于其它的數(shù)據(jù)結(jié)構(gòu),布隆過濾器在空間和時間方面都有巨大的優(yōu)勢。
布隆過濾器存儲空間和插入/查詢時間都是常數(shù)。
Hash函數(shù)相互之間沒有關(guān)系,方便由硬件并行實現(xiàn)。
布隆過濾器不需要存儲元素本身,對保密要求非常嚴格的場合有優(yōu)勢。
布隆過濾器可以表示全集,其它任何數(shù)據(jù)結(jié)構(gòu)都不能。
- 缺點
元素存在的誤判
一般情況下不支持元素(位陣列)的刪除
實現(xiàn)原理
核心其實是元素如何存儲?如何判斷元素是否存在?核心方法就兩個,一個“存”一個檢查,里面涉及到了算法相關(guān)知識,感興趣可以深入研究下其實現(xiàn)原理與思想。
- put 將元素放入過濾器中,但不是存儲
- mightContain 與put相似,計算的過程相同,不同的是值的判斷
我們可以簡單第理解其實現(xiàn)原理?比如現(xiàn)在有一個容器,我們定義為String[] bitArray = new String[26]作為位陣列, 現(xiàn)在有一堆由小寫英文組成的元素,我們假定Hash算法為a-z到1~26的映射。
- 現(xiàn)在有一個元素abc,hash后為1110000000...,保存到bitArray :1110000000...
- 現(xiàn)在有一個元素cde, hash后為0011100000...,保存到bitArray :1111100000...
- 現(xiàn)在又有一個新的元素ade,hash后同樣為100110000...,很明顯會認為該元素存在,這就是FFP
為什么判斷元素一定不在集合中呢?很顯然,如果一個元素存在,則該元素hash后的bit數(shù)組必須全部都是1,反之則不存在
示例
流程很簡單:
- 根據(jù)配置構(gòu)建BloomFilter對象
- 通過put方法,初始化數(shù)據(jù)到filter
- 通過方法mightContain判斷元素是否存在
結(jié)束語
BloomFilter雖然看起來簡單,但是其內(nèi)部的實現(xiàn)包含了很多的數(shù)學(xué)與算法知識,我們只是通過其簡單的API就能各種復(fù)雜的功能。關(guān)于如何將目前說到的這些在具體的項目中進行實踐與集成 后面會來介紹,首先我們能夠先了解一些技術(shù)一起能解決上面問題,理解了原理與目的,使用也就不是難事。