什么是『布隆過濾器』

布隆過濾器是一個神奇的數據結構，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：目標網站 URL 千千萬，怎么判斷某個 URL 爬蟲是否寵幸過？簡單點可以爬蟲每采集過一個 URL，就把這個 URL 存入數據庫中，每次一個新的 URL 過來就到數據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據庫一次，并且對于這種字符串的 SQL 查詢效率并不高。除了數據庫之外，使用 Redis 的 set 結構也可以滿足這個需求，并且性能優于數據庫。但是 Redis 也存在一個問題：耗費過多的內存。這個時候布隆過濾器就很橫的出場了：這個問題讓我來。

相比于數據庫和 Redis，使用布隆過濾器可以很好的避免性能和內存占用的問題。

布隆過濾器本質是一個位數組，位數組就是數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 個元素的位數組只占用 10000 / 8 = 1250 B 的空間。布隆過濾器除了一個位數組，還有 K 個哈希函數。當一個元素加入布隆過濾器中的時候，會進行如下操作：

• 使用 K 個哈希函數對元素值進行 K 次計算，得到 K 個哈希值。
• 根據得到的哈希值，在位數組中把對應下標的值置為 1。

舉個🌰，假設布隆過濾器有 3 個哈希函數：f1, f2, f3 和一個位數組 arr。現在要把 https://jaychen.cc 插入布隆過濾器中：

• 對值進行三次哈希計算，得到三個值 n1, n2, n3。
• 把位數組中三個元素 arr[n1], arr[n2], arr[3] 置為 1。

當要判斷一個值是否在布隆過濾器中，對元素再次進行哈希計算，得到值之后判斷位數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：當插入的元素原來越多，位數組中被置為 1 的位置就越多，當一個不在布隆過濾器中的元素，經過哈希計算之后，得到的值在位數組中查詢，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，當實際存儲的元素個數超過這個值之后，過濾器的準確率會下降。

redis 中有一個命令可以來設置這兩個值：

bf.reserve urls 0.01 100

三個參數的含義：

• 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：執行這個命令之前過濾器的名字應該不存在，如果執行之前就存在會報錯：(error) ERR item exists

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持腳本之家。