本篇博文,旨在介绍一种可以快速检索元素是否存在的数据结构 --- 布隆过滤器;本文从位图和布隆过滤器的对比,讨论了使用这两种数据结构的不同情况;并介绍了布隆过滤器的几种主要使用场景
布隆过滤器的引入
之前学习了位图,可以快速的判断一个整数是否存在于一个集合中
然而,现实生活中我们用的很多是字符串,单用位图处理不了字符串,由此引来了位图
布隆过滤器的思想
学过了哈希表后我们知道字符串哈希算法,可以将字符串转换为一个key值,然后存入位图
但是,通过字符串哈希算法后,也很有可能会造成哈希冲突(多个字符串映射成同一个key值),这样误判率就会很高
布隆过滤器的实现
于是,布隆过滤器就是采用同时进行多个字符串哈希算法,进行映射;
假设我们用5个字符串哈希算法进行映射,那么在判断一个字符串是否存在时,只需判断对应的五个位是否同时存在即可
布隆过滤器的代码实现
#pragma once #include<iostream> using namespace std; //包我们自己定义的位图头文件 #include"BitMap.h" //定义五个字符串哈希算法 template<class T> struct BKDRHash { size_t operator()(const T str) { register size_t hash = 0; for (size_t i = 0; i < str.size(); ++i) { hash = hash * 131 + str[i]; } return hash; } }; template<class T> struct SDBMHash { size_t operator()(const T str) { register size_t hash = 0; for (size_t i = 0; i < str.size(); ++i) { hash = 65599 * hash + str[i]; } return hash; } }; template<class T> struct RSHash { size_t operator()(const T str) { register size_t hash = 0; size_t magic = 63689; for (size_t i = 0; i < str.size(); ++i) { hash = hash * magic + str[i]; magic *= 378551; } return hash; } }; template<class T> struct APHash { size_t operator()(const T str) { register size_t hash = 0; for (long i = 0; i < str.size(); ++i) { if ((i & 1) == 0) { hash ^= ((hash << 7) ^ str[i] ^ (hash >> 3)); } else { hash ^= (~((hash << 11) ^ str[i] ^ (hash >> 5))); } } return hash; } }; template<class T> struct JSHash { size_t operator()(const T str) { if (str.empty()) return 0; register size_t hash = 1315423911; for (size_t i = 0; i < str.size(); ++i) { hash ^= ((hash << 5) + str[i] + (hash >> 2)); } return hash; } }; //定义布隆过滤器,5个HashFunc是五种不同的字符串哈希算法,用来辅助实现布隆过滤器 template<typename K = string,typename HashFunc1 = BKDRHash<K>,typename HashFunc2 = SDBMHash<K>,typename HashFunc3 = RSHash<K>,typename HashFunc4 = APHash<K>,typename HashFunc5 = JSHash<K>> class BoolmFilter { public: BoolmFilter(size_t num) :_bp(num*2*5) {} size_t HashFunC1(const K& num) { HashFunc1 hf; size_t index = hf(num); return index; } size_t HashFunC2(const K& num) { HashFunc2 hf; return hf(num); } size_t HashFunC3(const K& num) { HashFunc3 hf; return hf(num); } size_t HashFunC4(const K& num) { HashFunc4 hf; return hf(num); } size_t HashFunC5(const K& num) { HashFunc5 hf; return hf(num); } void Set(const K &num) { //用五中不同的字符串哈希算法求出五个不同的值 size_t hf1 = HashFunC1(num); size_t hf2 = HashFunC2(num); size_t hf3 = HashFunC3(num); size_t hf4 = HashFunC4(num); size_t hf5 = HashFunC5(num); //测试五个哈希值 //cout << hf1 << " " << hf2 << " " << hf3 << " " << hf4 << " " << hf5 << endl; //将五个值都放入位图中 _bp.Set(hf1); _bp.Set(hf2); _bp.Set(hf3); _bp.Set(hf4); _bp.Set(hf5); } //Reset可以用引用计数来实现 //void Reset(); bool Find(K &num) { //分别判断num对应的五个值是否存在于位图中 //若有一个不存在,则返回FALSE,num必定不存在 //若都存在,则返回TRUE,但是不能确定一定存在 int hf1 = HashFunC1(num); if(_bp.Find(hf1) == false) return false; int hf2 = HashFunC2(num); if (_bp.Find(hf2) == false) return false; int hf3 = HashFunC3(num); if (_bp.Find(hf3) == false) return false; int hf4 = HashFunC4(num); if (_bp.Find(hf4) == false) return false; int hf5 = HashFunC5(num); if (_bp.Find(hf5) == false) return false; return true; } protected: //定义位图 _bp; BitMap _bp; };
布隆过滤器和位图的对比
位图的优点:
可以快速的判断一个整数是否存在于集合中
位图的缺点:
就如同其优点中说的,只能判断整数,无法处理其他类型的数据
布隆过滤器的优点:
1、在位图的基础上利用哈希算法进行扩充,使之可以处理字符串类型的数据
2、时间复杂度O(k),【K表示字符串哈希算法的个数】,其效率远高于其他的算法
布隆过滤器的缺点:
由于哈希冲突,布隆过滤器有一定的误判性,如何使用适量的字符串哈希算法是需要考虑的问题
布隆过滤器的误区:
使用字符串哈希算法的数量越多越好?(错)
这里要说明,字符串哈希算法过多,就会导致一个字符串会占好多个位,冲突的概率还会增大
所以,要使用适量的字符串哈希算法
布隆过滤器的几种主要应用场景:
(2)在爬虫中,如何快速的判断一个网页是否爬过也是布隆过滤器的使用场合之一