JAVA实现较完善的布隆过滤器

布隆过滤器是可以用于判断一个元素是不是在一个集合里，并且相比于其它的数据结构，布隆过滤器在空间和时间方面都有巨大的优势。布隆过滤器存储空间和插入/查询时间都是常数。但是它也是拥有一定的缺点：布隆过滤器是有一定的误识别率以及删除困难的。本文中给出的布隆过滤器的实现，基本满足了日常使用所需要的功能。

先简单来说一下布隆过滤器。其实现方法就是：利用内存中一个长度为M的位数组B并初始化里面的所有位都为0，如下面的表格所示：

0000000000

然后我们根据H个不同的散列函数，对传进来的字符串进行散列，并且每次的散列结果都不能大于位数组的长度。布隆过滤器的误判率取决于你使用多少个不同的散列函数，下面给出的代码中，给出了一些参考的误判率（参考代码中的枚举类：MisjudgmentRate）。现在我们先假定有4个不同散列函数，传入一个字符串并进行一次插入操作，这时会进行4次散列，假设到了4个不同的下标，这个时候我们就会去数组中，将这些下标的位置置为1，数组变更为：

0101100001

如果接下来我们再传入同一个字符串时，因为4次的散列结果都是跟上一次一样的，所以会得出跟上面一样的结果，所有应该置1的位都已经置1了，这个时候我们就可以认为这个字符串是已经存在的了。因此不难发现，这是会存在一定的误判率的，具体由你采用的散列函数质量，以及散列函数的数量确定。

代码如下：

import java.io.FileInputStream;import java.io.FileOutputStream;import java.io.ObjectInputStream;import java.io.ObjectOutputStream;import java.io.Serializable;import java.util.BitSet;import java.util.concurrent.atomic.AtomicInteger;public class BloomFileter implements Serializable {private static final long serialVersionUID = -5221305273707291280L;private final int[] seeds;private final int size;private final BitSet notebook;private final MisjudgmentRate rate;private final AtomicInteger useCount = new AtomicInteger(0);private final Double autoClearRate;/** * 默认中等程序的误判率：MisjudgmentRate.MIDDLE 以及不自动清空数据（性能会有少许提升） *  * @param dataCount *            预期处理的数据规模，如预期用于处理1百万数据的查重，这里则填写1000000 */public BloomFileter(int dataCount) {this(MisjudgmentRate.MIDDLE, dataCount, null);}/** *  * @param rate *            一个枚举类型的误判率 * @param dataCount *            预期处理的数据规模，如预期用于处理1百万数据的查重，这里则填写1000000 * @param autoClearRate *            自动清空过滤器内部信息的使用比率，传null则表示不会自动清理， *            当过滤器使用率达到100%时，则无论传入什么数据，都会认为在数据已经存在了 *            当希望过滤器使用率达到80%时自动清空重新使用，则传入0.8 */public BloomFileter(MisjudgmentRate rate, int dataCount, Double autoClearRate) {long bitSize = rate.seeds.length * dataCount;if (bitSize < 0 || bitSize > Integer.MAX_VALUE) {throw new RuntimeException("位数太大溢出了，请降低误判率或者降低数据大小");}this.rate = rate;seeds = rate.seeds;size = (int) bitSize;notebook = new BitSet(size);this.autoClearRate = autoClearRate;}public void add(String data) {checkNeedClear();for (int i = 0; i < seeds.length; i++) {int index = hash(data, seeds[i]);setTrue(index);}}public boolean check(String data) {for (int i = 0; i < seeds.length; i++) {int index = hash(data, seeds[i]);if (!notebook.get(index)) {return false;}}return true;}/** * 如果不存在就进行记录并返回false，如果存在了就返回true *  * @param data * @return */public boolean addIfNotExist(String data) {checkNeedClear();int[] indexs = new int[seeds.length];// 先假定存在boolean exist = true;int index;for (int i = 0; i < seeds.length; i++) {indexs[i] = index = hash(data, seeds[i]);if (exist) {if (!notebook.get(index)) {// 只要有一个不存在，就可以认为整个字符串都是第一次出现的exist = false;// 补充之前的信息for (int j = 0; j <= i; j++) {setTrue(indexs[j]);}}} else {setTrue(index);}}return exist;}private void checkNeedClear() {if (autoClearRate != null) {if (getUseRate() >= autoClearRate) {synchronized (this) {if (getUseRate() >= autoClearRate) {notebook.clear();useCount.set(0);}}}}}public void setTrue(int index) {useCount.incrementAndGet();notebook.set(index, true);}private int hash(String data, int seeds) {char[] value = data.toCharArray();int hash = 0;if (value.length > 0) {for (int i = 0; i < value.length; i++) {hash = i * hash + value[i];}}hash = hash * seeds % size;// 防止溢出变成负数return Math.abs(hash);}public double getUseRate() {return (double) useCount.intValue() / (double) size;}public void saveFilterToFile(String path) {try (ObjectOutputStream oos = new ObjectOutputStream(new FileOutputStream(path))) {oos.writeObject(this);} catch (Exception e) {throw new RuntimeException(e);}}public static BloomFileter readFilterFromFile(String path) {try (ObjectInputStream ois = new ObjectInputStream(new FileInputStream(path))) {return (BloomFileter) ois.readObject();} catch (Exception e) {throw new RuntimeException(e);}}/** * 清空过滤器中的记录信息 */public void clear() {useCount.set(0);notebook.clear();}public MisjudgmentRate getRate() {return rate;}/** * 分配的位数越多，误判率越低但是越占内存 *  * 4个位误判率大概是0.14689159766308 *  * 8个位误判率大概是0.02157714146322 *  * 16个位误判率大概是0.00046557303372 *  * 32个位误判率大概是0.00000021167340 *  * @author lianghaohui * */public enum MisjudgmentRate {// 这里要选取质数，能很好的降低错误率/** * 每个字符串分配4个位 */VERY_SMALL(new int[] { 2, 3, 5, 7 }),/** * 每个字符串分配8个位 */SMALL(new int[] { 2, 3, 5, 7, 11, 13, 17, 19 }), ///** * 每个字符串分配16个位 */MIDDLE(new int[] { 2, 3, 5, 7, 11, 13, 17, 19, 23, 29, 31, 37, 41, 43, 47, 53 }), ///** * 每个字符串分配32个位 */HIGH(new int[] { 2, 3, 5, 7, 11, 13, 17, 19, 23, 29, 31, 37, 41, 43, 47, 53, 59, 61, 67, 71, 73, 79, 83, 89, 97,101, 103, 107, 109, 113, 127, 131 });private int[] seeds;private MisjudgmentRate(int[] seeds) {this.seeds = seeds;}public int[] getSeeds() {return seeds;}public void setSeeds(int[] seeds) {this.seeds = seeds;}}public static void main(String[] args) {BloomFileter fileter = new BloomFileter(7);System.out.println(fileter.addIfNotExist("1111111111111"));System.out.println(fileter.addIfNotExist("2222222222222222"));System.out.println(fileter.addIfNotExist("3333333333333333"));System.out.println(fileter.addIfNotExist("444444444444444"));System.out.println(fileter.addIfNotExist("5555555555555"));System.out.println(fileter.addIfNotExist("6666666666666"));System.out.println(fileter.addIfNotExist("1111111111111"));fileter.saveFilterToFile("C:\\Users\\john\\Desktop\\1111\\11.obj");fileter = readFilterFromFile("C:\\Users\\john\\Desktop\\111\\11.obj");System.out.println(fileter.getUseRate());System.out.println(fileter.addIfNotExist("1111111111111"));}}