大数据处理算法二：Bloom Filter算法

百度面试题：给定a、b两个文件，各存放50亿个url，每个url各占64字节，内存限制是4G，让你找出a、b文件共同的url？

Bloom Filter是由Bloom在1970年提出的一种多哈希函数映射的快速查找算法。通常应用在一些需要快速判断某个元素是否属于集合，但是并不严格要求100%正确的场合。

一. 实例 

　　为了说明Bloom Filter存在的重要意义，举一个实例：

　　 （实例一）,假设要你写一个网络蜘蛛（web crawler）。由于网络间的链接错综复杂，蜘蛛在网络间爬行很可能会形成“环”。为了避免形成“环”，就需要知道蜘蛛已经访问过那些URL。给一个URL，怎样知道蜘蛛是否已经访问过呢？稍微想想，

         （实例二）给定a、b两个文件，各存放50亿个url，每个url各占64字节，内存限制是4G，让你找出a、b文件共同的url？

就会有如下几种方案：

　　1. 将访问过的URL保存到数据库。

　　2. 用HashSet将访问过的URL保存起来。那只需接近O(1)的代价就可以查到一个URL是否被访问过了。

　　3. URL经过MD5或SHA-1等单向哈希后再保存到HashSet或数据库。

　　4. Bit-Map方法。建立一个BitSet，将每个URL经过一个哈希函数映射到某一位。

　　方法1~3都是将访问过的URL完整保存，方法4则只标记URL的一个映射位。

       以上方法在数据量较小的情况下都能完美解决问题，但是当数据量变得非常庞大时问题就来了。

　　方法1的缺点：数据量变得非常庞大后关系型数据库查询的效率会变得很低。而且每来一个URL就启动一次数据库查询是不是太小题大做了？

　　方法2的缺点：太消耗内存。随着URL的增多，占用的内存会越来越多。就算只有1亿个URL，每个URL只算50个字符，就需要5GB内存。

　　方法3：由于字符串经过MD5处理后的信息摘要长度只有128Bit，SHA-1处理后也只有160Bit，因此方法3比方法2节省了好几倍的内存。

　　方法4消耗内存是相对较少的，但缺点是单一哈希函数发生冲突的概率太高。还记得数据结构课上学过的Hash表冲突的各种解决方法么？若要降低冲突发生的概率到1%，就要将BitSet的长度设置为URL个数的100倍。

　　实质上上面的算法都忽略了一个重要的隐含条件：允许小概率的出错，不一定要100%准确！也就是说少量url实际上没有没网络蜘蛛访问，而将它们错判为已访问的代价是很小的——大不了少抓几个网页呗。 

例如有 一组字符 arr：”哈哈“，”呵呵“........

字符串：“哈哈”

哈希算法1处理后：8

哈希算法2处理后：1

哈希算法1处理后：3

插入BitArray后

再处理字符串：“呵呵”

哈希算法1处理后：2

哈希算法2处理后：1

哈希算法1处理后：9

 

继续插入BitArray后，如果继续游字符串，继续以这种方式插入

 

判断”在这些字符串是否包含”嘻嘻“

哈希算法1处理后：0

哈希算法2处理后：1

哈希算法1处理后：7

只要判断 下标分别为 0,1,7位置的值是否都为1，如下图 因为位置0跟位置7的值不为1

所以”嘻嘻“不包含在arr中，反之如果都为1怎包含

java代码实现如下

import java.util.ArrayList;import java.util.BitSet;import java.util.List;/** * BloomFilter算法 *  * @author JYC506 *  */public class BloomFilter {    /*哈希函数*/private List<IHashFunction> hashFuctionList;    /*构造方法*/public BloomFilter() {this.hashFuctionList = new ArrayList<IHashFunction>();}    /*添加哈希函数类*/public void addHashFunction(IHashFunction hashFunction) {this.hashFuctionList.add(hashFunction);}    /*删除hash函数*/public void removeHashFunction(IHashFunction hashFunction) {this.hashFuctionList.remove(hashFunction);}    /*判断是否被包含*/public boolean contain(BitSet bitSet, String str) {for (IHashFunction hash : hashFuctionList) {int hashCode = hash.toHashCode(str);if(hashCode<0){hashCode=-hashCode;}if (bitSet.get(hashCode) == false) {return false;}}return true;}    /*添加到bitSet*/public void toBitSet(BitSet bitSet, String str) {for (IHashFunction hash : hashFuctionList) {int hashCode = hash.toHashCode(str);if(hashCode<0){hashCode=-hashCode;}bitSet.set(hashCode, true);}}    public static void main(String[] args) {BloomFilter bloomFilter=new BloomFilter();/*添加3个哈希函数*/bloomFilter.addHashFunction(new JavaHash());bloomFilter.addHashFunction(new RSHash());bloomFilter.addHashFunction(new SDBMHash());/*长度为2的24次方*/BitSet bitSet=new BitSet(1<<25);/*判断test1很test2重复的字符串*/String[] test1=new String[]{"哈哈","我","大家","逗比","有钱人性","小米","Iphone","helloWorld"};for (String str1 : test1) {bloomFilter.toBitSet(bitSet, str1);}String[] test2=new String[]{"哈哈","我的","大家","逗比","有钱的人性","小米","Iphone6s","helloWorld"};for (String str2 : test2) {if(bloomFilter.contain(bitSet, str2)){System.out.println("'"+str2+"'是重复的");}}}}/*哈希函数接口*/interface IHashFunction {int toHashCode(String str);}class JavaHash implements IHashFunction {@Overridepublic int toHashCode(String str) {return str.hashCode();}}class RSHash implements IHashFunction {@Overridepublic int toHashCode(String str) {int b = 378551;int a = 63689;int hash = 0;for (int i = 0; i < str.length(); i++) {hash = hash * a + str.charAt(i);a = a * b;}return hash;}}class SDBMHash implements IHashFunction {@Overridepublic int toHashCode(String str) {int hash = 0;for (int i = 0; i < str.length(); i++)hash = str.charAt(i) + (hash << 6) + (hash << 16) - hash;return hash;}}

运行结果