python中布隆过滤器用法详解

1、布隆过滤器的介绍

        布隆过滤器（Bloom Filter），是1970年，由一个叫布隆的小伙子提出的。 它实际上是一个很长的二进制向量和一系列随机映射函数，二进制大家应该都清楚，存储的数据不是0就是1，默认是0。 主要用于判断一个元素是否在一个集合中，0代表不存在某个数据，1代表存在某个数据。

        布隆过滤器是一种概率空间高效的数据结构，特点是高效地插入和查询，用来告诉你 “某样东西一定不存在或者可能存在”。 相比于传统的 List、Set、Map 等数据结构，它更高效、占用空间更少，但是缺点是其返回的结果是概率性的，而不是确切的。

2、布隆过滤器的用途

• 解决Redis缓存穿透。
• 在爬虫时，对爬虫网址进行过滤，已经存在布隆中的网址，不在爬取。
• 垃圾邮件过滤，对每一个发送邮件的地址进行判断是否在布隆的黑名单中，如果在就判断为垃圾邮件。
• 大量数据时，判断给定的数据是否在其中。
• 黑名单过滤

3、布隆过滤器的原理

3.1 存入过程

        就是将数据以某种方式以二进制形式存入结合中。

过程如下：

1. 通过K个哈希函数计算该数据，返回K个计算出的hash值
2. 这些K个hash值映射到对应的K个二进制的数组下标
3. 将K个下标对应的二进制数据改成1。

例如，第一个哈希函数返回x，第二个第三个哈希函数返回y与z，那么： X、Y、Z对应的二进制改成1。

3.2 查询过程

        布隆过滤器主要作用就是：查询一个数据在不在这个二进制的集合中。

查询过程如下：

1. 通过K个哈希函数计算该数据，对应计算出的K个hash值
2. 通过hash值找到对应的二进制的数组下标
3. 判断：如果存在一处位置的二进制数据是0，那么该数据不存在。如果都是1，该数据存在集合中。（这种判断存在一定的误判率）

3.3 删除过程

        一般是不能删除布隆过滤器的，这也是其一个缺点。

4、布隆过滤器的优缺点

4.1 优点

1. 由于存储的是二进制数据，所以占用的空间很小
2. 它的插入和查询速度是非常快的，时间复杂度是O（K），可以联想一下HashMap的过程
3. 保密性很好，因为本身不存储任何原始数据，只有二进制数据

4.2 缺点

添加数据是通过计算数据的hash值，那么很有可能存在这种情况：两个不同的数据计算得到相同的hash值。

例如图中的“你好”和“hello”，假如最终算出hash值相同，那么他们会将同一个下标的二进制数据改为1。 这个时候，你就不知道下标为2的二进制，到底是代表“你好”还是“hello”。

1.存在误判率

        假如上面的图没有存"hello"，只存了"你好"，那么用"hello"来查询的时候，会判断"hello"存在集合中。 因为“你好”和“hello”的hash值是相同的，通过相同的hash值，找到的二进制数据也是一样的，都是1。

2.删除困难

        还是用上面的举例，因为“你好”和“hello”的hash值相同，对应的数组下标也是一样的。 这时候想去删除“你好”，将下标为2里的二进制数据，由1改成了0。 那么我们是不是连“hello”都一起删了呀。（0代表有这个数据，1代表没有这个数据）

总结：

1. 随着数据的增加，误判率随之增加；
2. 无法做到删除数据；只能判断数据是否一定不存在，而无法判断数据是否一定存在。
3. 无法返回元素本身
4. 无法删除某个元素

5、python中使用布隆过滤器

使用pybloom_live进行操作。

安装：

pip install pybloom_live

示例代码：

from pybloom_live import ScalableBloomFilter, BloomFilter


# 可自动扩容的布隆过滤器
bloom = ScalableBloomFilter(initial_capacity=100, error_rate=0.001)

url1 = 'http://www.baidu.com'
url2 = 'http://www.zhihu.com'

bloom.add(url1)
print(url1 in bloom)
print(url2 in bloom)

# BloomFilter 是定长的
bf = BloomFilter(capacity=1000)
bf.add(url1)
print(url1 in bf)
print(url2 in bf)

运行结果：

6、redis中使用布隆过滤器

详细的文档可以参考官方文档：Quick start | Redis

        这个模块不仅仅实现了布隆过滤器，还实现了 CuckooFilter（布谷鸟过滤器），以及 TopK功能。CuckooFilter是在 BloomFilter的基础上主要解决了BloomFilter不能删除的缺点。

传统的redis服务器安装 RedisBloom 插件，详情可以参考：centos7中安装redis插件bloom-filter_IT之一小佬的博客-CSDN博客

也可以使用docker进行安装：

• docker pull redislabs/rebloom:latest
• docker run -p 6379:6379 --name redis-redisbloom redislabs/rebloom:latest
• docker exec -it redis-redisbloom /bin/bash

使用pybloom_live进行操作。

安装：

pip install redisbloom

示例代码：  【注意：代码执行之前要确保服务器安装了redis插件：bloom-filter】

from redisbloom.client import Client


rb = Client(host='192.168.124.27', port='6379')

rb.bfAdd('urls', 'baidu')
rb.bfAdd('urls', 'google')
print(rb.bfExists('urls', 'baidu'))
print(rb.bfExists('urls', 'tencent'))

rb.bfMAdd('urls', 'a', 'b')
print(rb.bfMExists('urls', 'google', 'a', 'd'))

运行结果：

示例代码：

import math
import redis
import time
import mmh3


class BloomFilter(object):
    # 内置100个随机种子
    SEEDS = [543, 460, 171, 876, 796, 607, 650, 81, 837, 545, 591, 946, 846, 521, 913, 636, 878, 735, 414, 372,
             344, 324, 223, 180, 327, 891, 798, 933, 493, 293, 836, 10, 6, 544, 924, 849, 438, 41, 862, 648, 338,
             465, 562, 693, 979, 52, 763, 103, 387, 374, 349, 94, 384, 680, 574, 480, 307, 580, 71, 535, 300, 53,
             481, 519, 644, 219, 686, 236, 424, 326, 244, 212, 909, 202, 951, 56, 812, 901, 926, 250, 507, 739, 371,
             63, 584, 154, 7, 284, 617, 332, 472, 140, 605, 262, 355, 526, 647, 923, 199, 518]

    def __init__(self, capacity=1000000000, error_rate=0.00000001, conn=None, key='BloomFilter'):
        """
        初始化布隆过滤器
        :param capacity: 预先估计要去重的数量
        :param error_rate: 表示错误率
        :param conn: 表示redis的连接客户端
        :param key: 表示在redis中的键的名字前缀
        """
        # 需要的总bit位数
        self.m = math.ceil(capacity*math.log2(math.e)*math.log2(1/error_rate))
        # 需要最少的hash次数
        self.k = math.ceil(math.log1p(2)*self.m/capacity)
        # 需要的多少M内存
        self.mem = math.ceil(self.m/8/1024/1024)
        # 需要多少个512M的内存块,value的第一个字符必须是ascii码，所有最多有256个内存块
        self.blocknum = math.ceil(self.mem/512)
        self.seeds = self.SEEDS[0: self.k]
        self.key = key
        self.N = 2 ** 31 - 1
        self.redis = conn
        print(self.m)
        print(self.k)
        print(self.mem)

    def add(self, value):
        name = self.key + '_' + str(ord(value[0]) % self.blocknum)
        hashs = self.get_hash(value)
        for hash in hashs:
            self.redis.setbit(name, hash, 1)

    def get_hash(self, value):
        hashs = list()
        for seed in self.seeds:
            hash = mmh3.hash(value, seed)
            if hash >= 0:
                hashs.append(hash)
            else:
                hashs.append(self.N - hash)
        return hashs

    def is_exist(self, value):
        name = self.key + '_' + str(ord(value[0]) % self.blocknum)
        hashs = self.get_hash(value)
        exist = True
        for hash in hashs:
            exist = exist & self.redis.getbit(name, hash)
        return exist


pool = redis.ConnectionPool(host='192.168.124.27', port='6379', db=0)
conn = redis.Redis(connection_pool=pool)

start = time.time()
bf = BloomFilter(conn=conn)
url1 = 'www.baidu.com'
url2 = 'www.zhihu.com'
url3 = 'www.study.com'
bf.add(url1)
bf.add(url2)
print(bf.is_exist(url2))
print(bf.is_exist(url3))

运行结果：

参考博文：

布隆过滤器详解，全网最全一篇 - 走看看

python-布隆过滤器 - 走看看