认识布隆过滤器

什么是布隆过滤器

布隆过滤器本质上是一种概率型的数据结构，用于检索一个元素是否在集合中，它将告诉你一个数据“一定不存在或可能存在。

布隆过滤器由一个很长的二进制向量（位向量、位数组、Bit Array）和一系列的随机映射函数组成。

布隆过滤器的优点是高效、占用空间少。但缺点是返回的结果是概率性的，而不是准确的。

对布隆过滤器有了一个简单的印象之后，接下来就要继续深入。

如何判断一个元素是否在一个集合中

如果想要判断一个元素是否在一个集合中，首先想到的就是将所有元素保存起来，然后通过比较确定。在链表、树等数据结构中就是这样的思想。但是随着集合越来越大，检索速度就会越来越慢。

这时有一个更优的方案。使用一个映射函数将一个元素映射成一个位数组（Bit Array）中的一个点。当我们查找的时候，如果元素不存在，则对应位置为0，如果存在，那么该位置就为 1。

一个长度16的位数组，现在添加一个数据m，通过一个哈希函数，计算出该数据的位置，Hash(m)=5，然后下标为5的位置置为1。

但是哈希表也是有问题存在的，Hash面临的问题就是冲突。例如，假设Hash函数是良好的，想将冲突率降低到百分之一，那么位数组长度为m的哈希表就只能存储m/100个元素，显然浪费了很多的空间。

解决办法就是使用多个Hash函数，也就是布隆过滤器。如果有一个Hash说元素不在集合中，那肯定就不在；但是如果所有的Hash都说在，元素却不一定在里边。

我们通过一张图来表示出布隆过滤器是一个不确切的数据结构。

我们通过三个Hash函数分别将x，y，z存储到这个位数组中，将9个位置为1。当检索一个不存在于这个布隆过滤器中的元素w时，给出的结果却是w存在于该布隆过滤器中。

造成这种问题的原因是，布隆过滤器存在一定的误报率。随着存储的元素越来越多，置为1的位越来越多，就会导致了后边存储的元素要置为1的位置已经是1了。

为了避免或减少这种问题，我们需要选择合适的哈希函数的个数和布隆过滤器的长度。

Hash函数的个数太多，会导致布隆过滤器bit为置1 的速度过快；太少会导致误报率变高。

布隆过滤器的长度太小，会导致所有的bit为很快被置为1，直接结果就是查询任何数据的结果都是“可能存在”，也就是误报率过高。

对于布隆过滤器的bit位数m，插入元素数量n，误报率p，哈希函数个数k，我们可以使用以下的公式在决定哈希函数个数和布隆过滤器长度。

布隆过滤器的使用场景

根据布隆过滤器的特点，有以下的应用场景：

1、判定给定数据是否存在。

2、爬虫对于已经爬取过的url去重。

3、缓存穿透。

4、邮箱的垃圾邮件过滤、黑名单等。

正常流程缓存查询数据的流程是，依据key去查询value，数据查询前先进行缓存查询，如果缓存中不存在或者已经过期，再去数据库中查询，并将查询到的对象放入缓存中，如果数据库中为空，则查询失败。

缓存穿透是指，用户查询一个数据库中并不存在的数据。因为数据库中不存在该数据，缓存中也不会存在，这样就进行了两次无用的查询。

如果每次都查询一个没有value的key，缓存每次都不会命中，每次都会去数据库中查询数据，这样缓存失去了存在的意义还可能会对数据库造成影响。

布隆过滤器可以解决这一问题。将数据库中所有的查询条件放入布隆过滤器中，当收到一个查询请求时，先通过布隆过滤器，如果查询的值可能存在，那么在继续后边的查询；如果查询的值一定不存在，直接丢弃该请求，减少了对数据库的压力。