什么是『布隆過濾器』
布隆過濾器是一個神奇的數(shù)據(jù)結(jié)構(gòu)，可以用來判斷一個元素是否在一個集合中。很常用的一個功能是用來去重。在爬蟲中常見的一個需求：目標(biāo)網(wǎng)站 URL 千千萬，怎么判斷某個 URL 爬蟲是否寵幸過？簡單點(diǎn)可以爬蟲每采集過一個 URL，就把這個 URL 存入數(shù)據(jù)庫中，每次一個新的 URL 過來就到數(shù)據(jù)庫查詢下是否訪問過。
select id from table where url = 'https://jaychen.cc'
但是隨著爬蟲爬過的 URL 越來越多，每次請求前都要訪問數(shù)據(jù)庫一次，并且對于這種字符串的 SQL 查詢效率并不高。除了數(shù)據(jù)庫之外，使用 Redis 的 set 結(jié)構(gòu)也可以滿足這個需求，并且性能優(yōu)于數(shù)據(jù)庫。但是 Redis 也存在一個問題：耗費(fèi)過多的內(nèi)存。這個時候布隆過濾器就很橫的出場了：這個問題讓我來。
相比于數(shù)據(jù)庫和 Redis，使用布隆過濾器可以很好的避免性能和內(nèi)存占用的問題。
布隆過濾器本質(zhì)是一個位數(shù)組，位數(shù)組就是數(shù)組的每個元素都只占用 1 bit 。每個元素只能是 0 或者 1。這樣申請一個 10000 個元素的位數(shù)組只占用 10000 / 8 = 1250 B 的空間。布隆過濾器除了一個位數(shù)組，還有 K 個哈希函數(shù)。當(dāng)一個元素加入布隆過濾器中的時候，會進(jìn)行如下操作：
- 使用 K 個哈希函數(shù)對元素值進(jìn)行 K 次計(jì)算，得到 K 個哈希值。
- 根據(jù)得到的哈希值，在位數(shù)組中把對應(yīng)下標(biāo)的值置為 1。
舉個🌰，假設(shè)布隆過濾器有 3 個哈希函數(shù)：f1, f2, f3 和一個位數(shù)組 arr?，F(xiàn)在要把 https://jaychen.cc 插入布隆過濾器中：
- 對值進(jìn)行三次哈希計(jì)算，得到三個值 n1, n2, n3。
- 把位數(shù)組中三個元素 arr[n1], arr[n2], arr[3] 置為 1。
當(dāng)要判斷一個值是否在布隆過濾器中，對元素再次進(jìn)行哈希計(jì)算，得到值之后判斷位數(shù)組中的每個元素是否都為 1，如果值都為 1，那么說明這個值在布隆過濾器中，如果存在一個值不為 1，說明該元素不在布隆過濾器中。
看不懂文字看下面的靈魂畫手的圖解釋👇👇👇
看了上面的說明，必然會提出一個問題：當(dāng)插入的元素原來越多，位數(shù)組中被置為 1 的位置就越多，當(dāng)一個不在布隆過濾器中的元素，經(jīng)過哈希計(jì)算之后，得到的值在位數(shù)組中查詢，有可能這些位置也都被置為 1。這樣一個不存在布隆過濾器中的也有可能被誤判成在布隆過濾器中。但是如果布隆過濾器判斷說一個元素不在布隆過濾器中，那么這個值就一定不在布隆過濾器中。簡單來說：
- 布隆過濾器說某個元素在，可能會被誤判。
- 布隆過濾器說某個元素不在，那么一定不在。
這個布隆過濾器的缺陷放到上面爬蟲的需求中，可能存在某些沒有訪問過的 URL 可能會被誤判為訪問過，但是如果是訪問過的 URL 一定不會被誤判為沒訪問過。
Redis 中的布隆過濾器
redis 在 4.0 的版本中加入了 module 功能，布隆過濾器可以通過 module 的形式添加到 redis 中，所以使用 redis 4.0 以上的版本可以通過加載 module 來使用 redis 中的布隆過濾器。但是這不是最簡單的方式，使用 docker 可以直接在 redis 中體驗(yàn)布隆過濾器。
> docker run -d -p 6379:6379 --name bloomfilter redislabs/rebloom
> docker exec -it bloomfilter redis-cli
redis 布隆過濾器主要就兩個命令：
bf.add 添加元素到布隆過濾器中：bf.add urls https://jaychen.cc。bf.exists 判斷某個元素是否在過濾器中：bf.exists urls https://jaychen.cc。
上面說過布隆過濾器存在誤判的情況，在 redis 中有兩個值決定布隆過濾器的準(zhǔn)確率：
error_rate ：允許布隆過濾器的錯誤率，這個值越低過濾器的位數(shù)組的大小越大，占用空間也就越大。initial_size ：布隆過濾器可以儲存的元素個數(shù)，當(dāng)實(shí)際存儲的元素個數(shù)超過這個值之后，過濾器的準(zhǔn)確率會下降。
redis 中有一個命令可以來設(shè)置這兩個值：
三個參數(shù)的含義：
- 第一個值是過濾器的名字。
- 第二個值為
error_rate 的值。
- 第三個值為
initial_size 的值。
使用這個命令要注意一點(diǎn)：執(zhí)行這個命令之前過濾器的名字應(yīng)該不存在，如果執(zhí)行之前就存在會報錯：(error) ERR item exists
以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。
您可能感興趣的文章:- 布隆過濾器的概述及Python實(shí)現(xiàn)方法
- Python+Redis實(shí)現(xiàn)布隆過濾器
- python實(shí)現(xiàn)布隆過濾器及原理解析
- 淺析python實(shí)現(xiàn)布隆過濾器及Redis中的緩存穿透原理
