聊聊布隆过滤器

聊聊布隆过滤器 (qq.com)

https://github.com/RedisBloom/RedisBloom

https://docs.redis.com/latest/stack/bloom/

一、什么是布隆过滤器？

布隆过滤器 (Bloom Filter)，可以把它看作由二进制向量（或者说位数组）和一系列随机映射函数（哈希函数）两部分组成的数据结构。

相比于我们平时常用的的 List、Map、Set 等数据结构，它占用空间更少并且效率更高，但是缺点是其返回的结果是概率性的，而不是非常准确的。

理论情况下添加到集合中的元素越多，误报的可能性就越大。而且，存放在布隆过滤器的数据不容易删除。

 

Bloom Filter 会使用一个较大的 bit 数组来保存所有的数据，数组中的每个元素都只占用 1 bit ，并且每个元素只能是 0 或者 1（代表 false 或者 true），这也是 Bloom Filter 节省内存的核心所在。这样来算的话，申请一个 100w 个元素的位数组只占用 1000000Bit / 8 = 125000 Byte = 125000/1024 kb ≈ 122kb 的空间。

  

总结：一个名叫 Bloom 的人提出了一种来检索元素是否在给定大集合中的数据结构，这种数据结构是高效且性能很好的，但缺点是具有一定的错误识别率和删除难度。并且，理论情况下，添加到集合中的元素越多，误报的可能性就越大。

二、布隆过滤器使用场景

1. 判断给定数据是否存在：比如判断一个数字是否存在于包含大量数字的数字集中（数字集很大，上亿）、 防止缓存穿透（判断请求的数据是否有效避免直接绕过缓存请求数据库）等等、邮箱的垃圾邮件过滤（判断一个邮件地址是否在垃圾邮件列表中）、黑名单功能（判断一个IP地址或手机号码是否在黑名单中）等等。
2. 网页爬虫对URL去重，避免爬取相同的 URL 地址。
3. 比如用户日常刷新闻，每次推荐给该用户的内容不能重复，过滤已经看过的内容。

以上场景都需要判断给定数据是否存在，因此布隆过滤器主要是为了解决海量数据的存在性问题。

三、布隆过滤器的原理介绍

当一个元素加入布隆过滤器中的时候，会进行如下操作：

1. 使用布隆过滤器中的一个/多个哈希函数对元素值进行计算，得到哈希值（有几个哈希函数得到几个哈希值）。
2. 根据得到的哈希值，在位数组中把对应下标的值置为 1。

  

当我们需要判断一个元素是否存在于布隆过滤器的时候，会进行如下操作：

1. 对给定元素再次进行相同的哈希计算；
2. 得到值之后判断位数组中的每个元素是否都为 1，如果值都为 1，那么说明这个值可能在布隆过滤器中，如果存在一个值不为 1，说明该元素不在布隆过滤器中。

 

Bloom Filter 的简单原理图如下：

如图所示，当字符串存储要加入到布隆过滤器中时，该字符串首先由多个哈希函数生成不同的哈希值，然后将对应的位数组的下标设置为 1（当位数组初始化时，所有位置均为 0）。当第二次存储相同字符串时，因为先前的对应位置已设置为 1，所以很容易知道此值已经存在（去重非常方便）。

  

如果我们需要判断某个字符串是否在布隆过滤器中时，只需要对给定字符串再次进行相同的哈希计算，得到值之后判断位数组中的每个元素是否都为 1，如果值都为 1，那么说明这个值在布隆过滤器中，如果存在一个值不为 1，说明该元素不在布隆过滤器中。

  

不同的字符串可能哈希出来的位置相同，这种情况我们可以适当增加位数组大小或者调整我们的哈希函数。

综上，我们可以得出：布隆过滤器说某个元素存在，小概率会误判。布隆过滤器说某个元素不在，那么这个元素一定不在。

四、布隆过滤器的实现

4.1、Guava 实现

Guava 中布隆过滤器的实现算是比较权威的，所以实际项目中我们不需要自己去实现一个布隆过滤器。

首先我们需要在项目中引入 Guava 的依赖：

    com.google.guava
    guava
    28.0-jre

实际使用如下：

我们创建了一个最多存放 最多 1500 个整数的布隆过滤器，并且我们可以容忍误判的概率为百分之（0.01）

// 创建布隆过滤器对象
BloomFilter filter = BloomFilter.create(
    Funnels.integerFunnel(),
    1500,
    0.01);

// 判断指定元素是否存在
System.out.println(filter.mightContain(1));
System.out.println(filter.mightContain(2));

// 将元素添加进布隆过滤器
filter.put(1);
filter.put(2);

System.out.println(filter.mightContain(1));
System.out.println(filter.mightContain(2));

在我们的示例中，当 mightContain() 方法返回 true 时，我们可以 99％确定该元素在过滤器中，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。

Guava 提供的布隆过滤器的实现还是很不错的（想要详细了解的可以看一下它的源码实现），但是它有一个重大的缺陷就是只能单机使用（另外，容量扩展也不容易），而现在互联网一般都是分布式的场景。为了解决这个问题，我们就需要用到 Redis 中的布隆过滤器了。

4.2、Redis 中的布隆过滤器

Redis v4.0 之后有了 Module（模块/插件）功能，Redis Modules 让 Redis 可以使用外部模块扩展其功能 ，使用户可以根据需要额外集成一些实用功能。

详情可以查看官网：Modules | Redis

官网推荐了 RedisBloom（https://github.com/RedisBloom/RedisBloom） 作为 Redis 布隆过滤器的 Module，其他还有：

• redis-lua-scaling-bloom-filter（lua 脚本实现）：https://github.com/erikdubbelboer/redis-lua-scaling-bloom-filter
• pyreBloom（Python 中的快速 Redis 布隆过滤器）：https://github.com/seomoz/pyreBloom

RedisBloom 提供了多种语言的客户端支持，包括：Python、Java、JavaScript 和 PHP。

要快速使用 RedisBloom(GitHub - RedisBloom/RedisBloom: Probabilistic Datatypes Module for Redis)，请使用 docker 启动一个实例：

docker run -p 6379:6379 -it --rm redis/redis-stack-server:latest 

进入容器内，使用redis-cli -p port连接redis：

运行以下指令：

root@node1:~# docker exec -it bfe /bin/bash
root@bfe05c40f2b0:/# redis-cli -p 6379
127.0.0.1:6379> BF.ADD bloom kirk  # 通过添加数据创建新的布隆过滤器
(integer) 1
127.0.0.1:6379> BF.ADD bloom redis
(integer) 1

127.0.0.1:6379> BF.EXISTS bloom kirk  # 判断数据是否在布隆过滤器中。在这种情况下，1表示kirk很可能在bloom表示的集合中。但请记住，Bloom过滤器可能存在误报。
(integer) 1
127.0.0.1:6379> BF.EXISTS bloom redis
(integer) 1
127.0.0.1:6379> BF.EXISTS bloom nonexist # 值0表示nonexist绝对不在bloom集合中。Bloom过滤器不允许出现假阴性。
(integer) 0
127.0.0.1:6379> BF.EXISTS bloom que?
(integer) 0
127.0.0.1:6379>
127.0.0.1:6379>
127.0.0.1:6379>
127.0.0.1:6379> BF.MADD bloom elem1 elem2 elem3
1) (integer) 1
2) (integer) 1
3) (integer) 1
127.0.0.1:6379> BF.MEXISTS bloom elem1 elem2 elem3
1) (integer) 1
2) (integer) 1
3) (integer) 1
127.0.0.1:6379>