在上一篇 Java 多線程爬蟲及分佈式爬蟲架構探索 中，我們使用了 JDK 自帶的 Set 集合來進行 URL 去重，看上去效果不錯，但是這種做法有一個致命了缺陷，就是隨着採集的 URL 增多，你需要的內存越來越大，最終會導致你的內存崩潰。那我們在不使用數據庫的情況下有沒有解決辦法呢？還記得我們在上一篇文章中提到的布隆過濾器嗎？它就可以完美解決這個問題，布隆過濾器有什麼特殊的地方呢？接下來就一起來學習一下布隆過濾器。
什麼是布隆過濾器
布隆過濾器是一種數據結構，比較巧妙的概率型數據結構，它是在 1970 年由一個名叫布隆提出的，它實際上是由一個很長的二進制向量和一系列隨機映射函數組成，這點跟哈希表有些相同，但是相對哈希表來說布隆過濾器它更高效、佔用空間更少，布隆過濾器有一個缺點那就是有一定的誤識別率和刪除困難。布隆過濾器只能告訴你某個元素一定不存在或者可能存在在集合中， 所以布隆過濾器經常用來處理可以忍受判斷失誤的業務，比如爬蟲 URL 去重。
布隆過濾器原理
在說布隆過濾器原理之前，我們先來複習一下哈希表，在上一篇文章中，我們利用的是 Set 來進行 URL 去重，我們來看看 Set 的存儲模型
URL 經過一個哈希函數後，將 URL 存入了數組裏，這樣查詢時也是非常高效的，但是由於數組裏存入的是 URL，隨着 URL 的增多，需要的數組越來越大，意味着你需要更多的內存，比如我們採集了幾億的 URL，那麼可能就需要上百G 的內存，這是條件不允許的，因爲內存特別的昂貴，所以這個在 url 去重中是不可取的，佔內存更小的布隆過濾器就是一種不錯的選擇。
布隆過濾器實質上由長度爲 m 的位向量或位列表（僅包含 0 或 1 位值的列表）組成，最初所有值均設置爲 0，如下所示。
因爲底層是 bit 數組，所以意味着數組只有 0、1 兩個值，跟哈希表一樣，我們將 URL 通過 K 個函數映射 bit 數組裏，並且將指向的 Bit 數組對應的值改成 1 。我們以存 /nba/2492297.html 爲例，如下圖所示：
/nba/2492297.html經過三個哈希函數分別映射到了 1、4、9 的位置，這三個 bit 數組的值就變成了 1，我們再存入一個 /nba/2492298.html，此時 bit 數組就變成下面這樣：
/nba/2492298.html被映射到了 0、4、11 的位置，所以此時 bit 數組上有 5 個位置的值爲 1，本應該是有 6 個值爲 1 的，但是因爲在 4 這個位置重複了，所以會覆蓋。
布隆過濾器是如何判斷某個值一定不存在或者可能存在呢？通過判斷哈希函數映射到對應數組的值，如果都爲 1，說明可能存在，如果有一個不爲 1，說明一定不存在。對於一定不存在好理解，但是都爲 1 時，爲什麼說可能存在呢？這跟哈希表一樣，哈希函數會產生哈希衝突，也就是說兩個不同的值經過哈希函數都會得到同一個數組下標，布隆過濾器也是一樣的。我們以判斷 /nba/2492299.html 是否已經採集過爲例，經過哈希函數映射的 bit 數組上的位置入下圖所示：
/nba/2492299.html 被哈希函數映射到了 4、9、11 的位置，而這幾個位置的值都爲 1 ，所以布隆過濾器就認爲 /nba/2492299.html 被採集過了，實際上是沒有采集過的，這就說明了布隆過濾器存在誤判，這也是我們業務允許的。布隆過濾器的誤判率跟 bit 數組的大小和哈希函數的個數有關係，如果 bit 數組過小，哈希函數過多，那麼 bit 數組的值很快都會變成 1，這樣誤判率就會越來越高，bit 數組過大，就會浪費更多的內存，所以就要平衡好 bit 數組的大小和哈希函數的個數，關於如何平衡這兩個的關係，不是我們這篇文章的重點。
布隆過濾器的原理我們已經瞭解了，爲了加深對布隆過濾器的理解，我們用 Java 來實現一個簡易辦的布隆過濾器，代碼如下：
public class SimpleBloomFilterTest {
// bit 數組的大小
private static final int DEFAULT_SIZE = 1000;
// 用來生產三個不同的哈希函數的
private static final int[] seeds = new int[]{7, 31, 61,};
// bit 數組
private BitSet bits = new BitSet(DEFAULT_SIZE);
// 存放哈希函數的數組
private SimpleHash[] func = new SimpleHash[seeds.length];
public static void main(String[] args) {
SimpleBloomFilterTest filter = new SimpleBloomFilterTest();
filter.add("https://voice.hupu.com/nba/2492440.html");
filter.add("https://voice.hupu.com/nba/2492437.html");
filter.add("https://voice.hupu.com/nba/2492439.html");
System.out.println(filter.contains("https://voice.hupu.com/nba/2492440.html"));
System.out.println(filter.contains("https://voice.hupu.com/nba/249244.html"));
}
public SimpleBloomFilterTest() {
for (int i = 0; i < seeds.length; i++) {
func[i] = new SimpleHash(DEFAULT_SIZE, seeds[i]);
}
}
/**
* 向布隆過濾器添加元素
* @param value
*/
public void add(String value) {
for (SimpleHash f : func) {
bits.set(f.hash(value), true);
}
}
/**
* 判斷某元素是否存在布隆過濾器
* @param value
* @return
*/
public boolean contains(String value) {
if (value == null) {
return false;
}
boolean ret = true;
for (SimpleHash f : func) {
ret = ret && bits.get(f.hash(value));
}
return ret;
}
/**
* 哈希函數
*/
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;
}
}
}
把上面這段代碼理解好對我們理解布隆過濾器非常有幫助，實際上在工作中並不需要我們自己實現布隆過濾器，谷歌已經幫我們實現了布隆過濾器，在 Guava 包中提供了 BloomFilter，這個布隆過濾器實現的非常棒，下面就看看谷歌辦的布隆過濾器。
布隆過濾器 Guava 版
要使用 Guava 包下提供的 BloomFilter ，就需要引入 Guava 包，我們在 pom.xml 中引入下面依賴：
<dependency>
<groupId>com.google.guava</groupId>
<artifactId>guava</artifactId>
<version>28.1-jre</version>
</dependency>
Guava 中的布隆過濾器實現的非常複雜，關於細節我們就不去探究了，我們就來看看 Guava 中布隆過濾器的構造函數吧，Guava 中並沒有提供構造函數，而且提供了 create 方法來構造布隆過濾器：
public static <T> BloomFilter<T> create(
Funnel<? super T> funnel, int expectedInsertions, double fpp) {
return create(funnel, (long) expectedInsertions, fpp);
}
funnel：你要過濾數據的類型
expectedInsertions：你要存放的數據量
fpp：誤判率
你只需要傳入這三個參數你就可以使用 Guava 包中的布隆過濾器了，下面這我寫的一段 Guava 布隆過濾器測試程序，可以改動 fpp 多運行幾次，體驗 Guava 的布隆過濾器。
public class GuavaBloomFilterTest {
// bit 數組大小
private static int size = 10000;
// 布隆過濾器
private static BloomFilter<String> bloomFilter = BloomFilter.create(Funnels.stringFunnel(Charset.defaultCharset()), size, 0.03);
public static void main(String[] args) {
// 先向布隆過濾器中添加 10000 個url
for (int i = 0; i < size; i++) {
String url = "https://voice.hupu.com/nba/" + i;
bloomFilter.put(url);
}
// 前10000個url不會出現誤判
for (int i = 0; i < size; i++) {
String url = "https://voice.hupu.com/nba/" + i;
if (!bloomFilter.mightContain(url)) {
System.out.println("該 url 被採集過了");
}
}
List<String> list = new ArrayList<String>(1000);
// 再向布隆過濾器中添加 2000 個 url ，在這2000 箇中就會出現誤判了
// 誤判的個數爲 2000 * fpp
for (int i = size; i < size + 2000; i++) {
String url = "https://voice.hupu.com/nba/" + i;
if (bloomFilter.mightContain(url)) {
list.add(url);
}
}
System.out.println("誤判數量：" + list.size());
}
}
布隆過濾器的應用
緩存擊穿
緩存擊穿是查詢數據庫中不存在的數據，如果有用戶惡意模擬請求很多緩存中不存在的數據，由於緩存中都沒有，導致這些請求短時間內直接落在了DB上，對DB產生壓力，導致數據庫異常。
最常見的解決辦法就是採用布隆過濾器，將所有可能存在的數據哈希到一個足夠大的bitmap中，一個一定不存在的數據會被這個bitmap攔截掉，從而避免了對底層存儲系統的查詢壓力。下面是一段僞代碼：
public String getByKey(String key) {
// 通過key獲取value
String value = redis.get(key);
if (StringUtil.isEmpty(value)) {
if (bloomFilter.mightContain(key)) {
value = xxxService.get(key);
redis.set(key, value);
return value;
} else {
return null;
}
}
return value;
}
爬蟲 URL 去重
爬蟲是對 url 的去重，防止 url 重複採集，這也是我們這篇文章重點講解的內容
垃圾郵件識別
從數十億個垃圾郵件列表中判斷某郵箱是否垃圾郵箱，將垃圾郵箱添加到布隆過濾器中，然後判斷某個郵件是否是存在在布隆過濾器中，存在說明就是垃圾郵箱。
文章不足之處，望大家多多指點，共同學習，共同進步
最後
打個小廣告，歡迎掃碼關注微信公衆號：「平頭哥的技術博文」，一起進步吧。
