布隆过滤器

哈希函数

哈希函数（Hash）是将一个大的数据集映射到一个小的数据集上，这些小的数据集叫做哈希值或散列值。
一个应用是Hash table（散列表，也叫哈希表），是根据哈希值 (Key value) 而直接进行访问的数据结构。也就是说，它通过把哈希值映射到表中一个位置来访问记录，以加快查找的速度。下面是一个典型的 hash 函数 / 表示意图：



哈希函数有两个特点：
如果根据同一个散列函数得到的两个散列值不相同，那么这两个散列值的原始输入也是不相同的。
散列函数的输入和输出不是一一对应的关系，如果两个散列值相同，两个输入值很可能是相同，但也有可能不同，这种情况称为“散列碰撞”或“散列冲突”。
哈希函数的缺点是空间效率不高。

 

布隆过滤器

布隆过滤器（Bloom Filter）是1970年由布隆提出的。它实际上是一个很长的二进制向量和一系列随机映射函数。布隆过滤器可以用于检索一个元素是否在一个集合中。它的优点是空间效率和查询时间都远远超过一般的算法，缺点是有一定的误识别率和删除困难。
如果想判断一个元素是否在一个集合中，一般是将集合中的所有元素保存起来，然后通过比较确定，比如链表、树、哈希表等。但是随着集合中的元素的增加，我们需要的存储空间也越来越大，同时检索的速度也越来越慢，上述三种数据结构的检索时间复杂度分别为O(n)，O(logn)，O(n/k)。
布隆过滤器的原理是，当一个元素被加入集合时，通过K个散列函数将这个元素映射成一个位数组中的K个点，把它们置为1。检索时，我们只要看看这些点是不是都是1就（大约）知道集合中有没有它了：如果这些点有任何一个0，则被检元素一定不在；如果都是1，则被检元素很可能在。
一般情况下不能从布隆过滤器中

删除

元素. 我们很容易想到把位数组变成整数数组，每插入一个元素相应的计数器加 1, 这样删除元素时将计数器减掉就可以了。然而要保证安全地删除元素并非如此简单。首先我们必须保证删除的元素的确在布隆过滤器里面. 这一点单凭这个过滤器是无法保证的。另外计数器回绕也会造成问题。

代码实现：

public class BloomFilter {

/* BitSet初始分配2^24个bit */
private static final int DEFAULT_SIZE = 1 << 25;

/* 不同哈希函数的种子，一般应取质数 */
private static final int[] seeds = {5, 7, 11, 13, 31, 37, 61};
private SimpleHash[] funcs = new SimpleHash[seeds.length];

private BitSet bits = new BitSet(DEFAULT_SIZE);

public static class SimpleHash {
private int cap;
private int seed;

public SimpleHash(int cap, int seed) {
this.cap = cap;
this.seed = seed;
}

public int hash(String value) {
int result = 0;
int len = value.length();
for (int i = 0; i < len; ++i)
result = seed * result + value.charAt(i);

return (cap - 1) & result;
}
}

public BloomFilter() {
for (int i = 0; i < seeds.length; ++i)
funcs[i] = new SimpleHash(DEFAULT_SIZE, seeds[i]);
}

/**
* 将字符串标记到bit中
*
* @param value
*/
public void add(String value) {
for (SimpleHash func : funcs)
bits.set(func.hash(value), true);
}

public void putIfAbsent(String value) {
if (contains(value))
add(value);
}

public boolean contains(String value) {
if (value == null)
return false;

boolean ret = true;
for (SimpleHash func : funcs)
ret = ret && bits.get(func.hash(value));

return ret;
}
}