布隆过滤器（Bloom Filter）Java实现

布隆过滤器原理很简单：就是把一个字符串哈希成一个整数key，然后选取一个很长的比特序列，开始都是0，在key把此位置的0变为1；下次进来一个字符串，哈希之后的值key，如果在此比特位上的值也是1，那么就说明这个字符串存在了。

如果按照上面的做法，那就和哈希算法没有什么区别了，哈希算法还有重复的呢。

布隆过滤器是将一个字符串哈希成多个key，我还是按照书上的说吧。

先建立一个16亿二进制常量，然后将这16亿个二进制位全部置0。对于每个字符串，用8个不同的随机产生器（F1,F2,.....,F8）产生8个信息指纹(f1,f2,....,f8).再用一个随机数产生器G把这八个信息指纹映射到1到16亿中的8个自然数g1,g2,...,g8。现在把这8个位置的二进制位全部变为1。这样一个布隆过滤器就建好了。

那么如何检测一个字符串是否已经存在了呢？

现在用8个随机数产生器（F1,F2,...,F8）对这个字符串产生8个信息指纹s1,s2,...,s8，然后将这8个信息指纹对应到布隆过滤器的8个二进制位，分别是T1,T2,...,T8.如果字符串存在，那么显然T1,T2,...,T8对应的二进制位都应该是1。就是这样来判断字符串是否已经存在的。

其实布隆过滤器就是对哈希算法的一个扩展，既然本质是哈希，那么就肯定会有不足，也就是说，肯定会有误判，一个字符串明明没有出现过而布隆过滤器判断出现了，虽然可能性很小，但是确实存在。

那么如何减少这种概率呢，首先可以想到的是如果将8个信息指纹扩展到16个错误的概率肯定会降低，但是也要考虑到，这样的话，那么一个布隆过滤器所能存储的字符串数量也降低了1倍；另外就是选取很好的哈希函数，对字符串的哈希方法有很多种，其中不乏很好的哈希函数。

布隆过滤器主要运用在过滤恶意网址用的，将所有的恶意网址建立在一个布隆过滤器上，然后对用户的访问的网址进行检测，如果在恶意网址中那么就通知用户。这样的话，我们还可以对一些常出现判断错误的网址设定一个白名单，然后对出现判断存在的网址再和白名单中的网址进行匹配，如果在白名单中，那么就放行。当然这个白名单不能太大，也不会太大，布隆过滤器错误的概率是很小的。有兴趣的读者可以去查阅，布隆过滤器的错误率。

下面给出Java版的布隆过滤器源码：

[java] view
plain copy

 print?

import java.util.BitSet;  

  

/** 

 * 

 * @author xkey 

 */  

public class BloomFilter {  

  

    private static final int DEFAULT_SIZE = 2 << 24;//布隆过滤器的比特长度  

    private static final int[] seeds = {3,5,7, 11, 13, 31, 37, 61};//这里要选取质数，能很好的降低错误率  

    private static BitSet bits = new BitSet(DEFAULT_SIZE);  

    private static SimpleHash[] func = new SimpleHash[seeds.length];  

  

    public static void addValue(String value)  

    {  

        for(SimpleHash f : func)//将字符串value哈希为8个或多个整数，然后在这些整数的bit上变为1  

            bits.set(f.hash(value),true);  

    }  

      

    public static void add(String value)  

    {  

        if(value != null) addValue(value);  

    }  

      

    public static boolean contains(String value)  

    {  

        if(value == null) return false;  

        boolean ret = true;  

        for(SimpleHash f : func)//这里其实没必要全部跑完，只要一次ret==false那么就不包含这个字符串  

            ret = ret && bits.get(f.hash(value));  

        return ret;  

    }  

      

    public static void main(String[] args) {  

        String value = "xkeyideal@gmail.com";  

        for (int i = 0; i < seeds.length; i++) {  

            func[i] = new SimpleHash(DEFAULT_SIZE, seeds[i]);  

        }  

        add(value);  

        System.out.println(contains(value));  

    }  

}  

  

class SimpleHash {//这玩意相当于C++中的结构体  

  

    private int cap;  

    private int seed;  

  

    public  SimpleHash(int cap, int seed) {  

        this.cap = cap;  

        this.seed = seed;  

    }  

  

    public int hash(String value) {//字符串哈希，选取好的哈希函数很重要  

        int result = 0;  

        int len = value.length();  

        for (int i = 0; i < len; i++) {  

            result = seed * result + value.charAt(i);  

        }  

        return (cap - 1) & result;  

    }  

}  

总结：布隆过滤器是对哈希算法的一种创新，而且需要消耗的空间也很小，错误率很低。总之这种创新的思路很值得学习，是一种对bit这种数据类型的运用。