內(nèi)存崩潰了？其實你只需要換一種方式

使用 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，就是隨著采集的 URL 增多，你需要的內(nèi)存越來越大，最終會導(dǎo)致你的內(nèi)存崩潰。那我們在不使用數(shù)據(jù)庫的情況下有沒有解決辦法呢？布隆過濾器！它就可以完美解決這個問題，布隆過濾器有什么特殊的地方呢？接下來就一起來學(xué)習(xí)一下布隆過濾器。

什么是布隆過濾器

布隆過濾器是一種數(shù)據(jù)結(jié)構(gòu)，比較巧妙的概率型數(shù)據(jù)結(jié)構(gòu)，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(shù)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、占用空間更少，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(jīng)常用來處理可以忍受判斷失誤的業(yè)務(wù)，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，我們先來復(fù)習(xí)一下哈希表，利用 Set 來進行 URL 去重，我們來看看 Set 的存儲模型

URL 經(jīng)過一個哈希函數(shù)后，將 URL 存入了數(shù)組里，這樣查詢時也是非常高效的，但是由于數(shù)組里存入的是 URL，隨著 URL 的增多，需要的數(shù)組越來越大，意味著你需要更多的內(nèi)存，比如我們采集了幾億的 URL，那么可能就需要上百G 的內(nèi)存，這是條件不允許的，因為內(nèi)存特別的昂貴，所以這個在 url 去重中是不可取的，占內(nèi)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(zhì)上由長度為 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(shè)置為 0，如下所示。

因為底層是 bit 數(shù)組，所以意味著數(shù)組只有 0、1 兩個值，跟哈希表一樣，我們將 URL 通過 K 個函數(shù)映射 bit 數(shù)組里，并且將指向的 Bit 數(shù)組對應(yīng)的值改成 1 。我們以存?/nba/2492297.html?為例，如下圖所示：

/nba/2492297.html經(jīng)過三個哈希函數(shù)分別映射到了 1、4、9 的位置，這三個 bit 數(shù)組的值就變成了 1，我們再存入一個?/nba/2492298.html，此時 bit 數(shù)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(shù)組上有 5 個位置的值為 1，本應(yīng)該是有 6 個值為 1 的，但是因為在 4 這個位置重復(fù)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(shù)映射到對應(yīng)數(shù)組的值，如果都為 1，說明可能存在，如果有一個不為 1，說明一定不存在。對于一定不存在好理解，但是都為 1 時，為什么說可能存在呢？這跟哈希表一樣，哈希函數(shù)會產(chǎn)生哈希沖突，也就是說兩個不同的值經(jīng)過哈希函數(shù)都會得到同一個數(shù)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(jīng)采集過為例，經(jīng)過哈希函數(shù)映射的 bit 數(shù)組上的位置入下圖所示：

/nba/2492299.html?被哈希函數(shù)映射到了 4、9、11 的位置，而這幾個位置的值都為 1 ，所以布隆過濾器就認為?/nba/2492299.html?被采集過了，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(yè)務(wù)允許的。布隆過濾器的誤判率跟 bit 數(shù)組的大小和哈希函數(shù)的個數(shù)有關(guān)系，如果 bit 數(shù)組過小，哈希函數(shù)過多，那么 bit 數(shù)組的值很快都會變成 1，這樣誤判率就會越來越高，bit 數(shù)組過大，就會浪費更多的內(nèi)存，所以就要平衡好 bit 數(shù)組的大小和哈希函數(shù)的個數(shù)，關(guān)于如何平衡這兩個的關(guān)系，不是我們這篇文章的重點。

布隆過濾器的原理我們已經(jīng)了解了，為了加深對布隆過濾器的理解，我們用 Java 來實現(xiàn)一個簡易辦的布隆過濾器，代碼如下：

public class SimpleBloomFilterTest {
    // bit 數(shù)組的大小
    private static final int DEFAULT_SIZE = 1000;
    // 用來生產(chǎn)三個不同的哈希函數(shù)的
    private static final int[] seeds = new int[]{7, 31, 61,};
    // bit 數(shù)組
    private BitSet bits = new BitSet(DEFAULT_SIZE);
    // 存放哈希函數(shù)的數(shù)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(shù)
     */
    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，實際上在工作中并不需要我們自己實現(xiàn)布隆過濾器，谷歌已經(jīng)幫我們實現(xiàn)了布隆過濾器，在 Guava 包中提供了 BloomFilter，這個布隆過濾器實現(xiàn)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(xiàn)的非常復(fù)雜，關(guān)于細節(jié)我們就不去探究了，我們就來看看 Guava 中布隆過濾器的構(gòu)造函數(shù)吧，Guava 中并沒有提供構(gòu)造函數(shù)，而且提供了 create 方法來構(gòu)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(shù)據(jù)的類型

expectedInsertions：你要存放的數(shù)據(jù)量

fpp：誤判率

你只需要傳入這三個參數(shù)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(shù)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(xiàn)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 被采集過了");
            }
        }
        List<String> list = new ArrayList<String>(1000);
        // 再向布隆過濾器中添加 2000 個 url ，在這2000 個中就會出現(xiàn)誤判了
        // 誤判的個數(shù)為 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(shù)量：" + list.size());
    }
}

布隆過濾器的應(yīng)用

緩存擊穿

緩存擊穿是查詢數(shù)據(jù)庫中不存在的數(shù)據(jù)，如果有用戶惡意模擬請求很多緩存中不存在的數(shù)據(jù)，由于緩存中都沒有，導(dǎo)致這些請求短時間內(nèi)直接落在了DB上，對DB產(chǎn)生壓力，導(dǎo)致數(shù)據(jù)庫異常。

最常見的解決辦法就是采用布隆過濾器，將所有可能存在的數(shù)據(jù)哈希到一個足夠大的bitmap中，一個一定不存在的數(shù)據(jù)會被這個bitmap攔截掉，從而避免了對底層存儲系統(tǒng)的查詢壓力。下面是一段偽代碼：

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 重復(fù)采集，這也是我們這篇文章重點講解的內(nèi)容

垃圾郵件識別

從數(shù)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，然后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。