在上一篇 Java 多线程爬虫及分布式爬虫架构探索 中，我们使用了 JDK 自带的 Set 集合来进行 URL 去重，看上去效果不错，但是这种做法有一个致命了缺陷，就是随着采集的 URL 增多，你需要的内存越来越大，最终会导致你的内存崩溃。那我们在不使用数据库的情况下有没有解决办法呢?还记得我们在上一篇文章中提到的布隆过滤器吗?它就可以完美解决这个问题，布隆过滤器有什么特殊的地方呢?接下来就一起来学习一下布隆过滤器。
什么是布隆过滤器
布隆过滤器是一种数据结构，比较巧妙的概率型数据结构，它是在 1970 年由一个名叫布隆提出的，它实际上是由一个很长的二进制向量和一系列随机映射函数组成，这点跟哈希表有些相同，但是相对哈希表来说布隆过滤器它更高效、占用空间更少，布隆过滤器有一个缺点那就是有一定的误识别率和删除困难。布隆过滤器只能告诉你某个元素一定不存在或者可能存在在集合中， 所以布隆过滤器经常用来处理可以忍受判断失误的业务，比如爬虫 URL 去重。
布隆过滤器原理
在说布隆过滤器原理之前，我们先来复习一下哈希表，在上一篇文章中，我们利用的是 Set 来进行 URL 去重，我们来看看 Set 的存储模型
Set url 去重
URL 经过一个哈希函数后，将 URL 存入了数组里，这样查询时也是非常高效的，但是由于数组里存入的是 URL，随着 URL 的增多，需要的数组越来越大，意味着你需要更多的内存，比如我们采集了几亿的 URL，那么可能就需要上百G 的内存，这是条件不允许的，因为内存特别的昂贵，所以这个在 url 去重中是不可取的，占内存更小的布隆过滤器就是一种不错的选择。
布隆过滤器实质上由长度为 m 的位向量或位列表(仅包含 0 或 1 位值的列表)组成，最初所有值均设置为 0，如下所示。
布隆过滤器
因为底层是 bit 数组，所以意味着数组只有 0、1 两个值，跟哈希表一样，我们将 URL 通过 K 个函数映射 bit 数组里，并且将指向的 Bit 数组对应的值改成 1 。我们以 /nba/2492297.html 为例，如下图所示。
布隆过滤器
/nba/2492297.html经过三个哈希函数分别映射到了 1、4、9 的位置，这三个 bit 数组的值就变成了 1，我们再存入一个 /nba/2492298.html，此时 bit 数组就变成下面这样：
布隆过滤器
/nba/2492298.html被映射到了 0、4、11 的位置，所以此时 bit 数组上有 5 个位置的值为 1，本应该是有 6 个值为 1 的，但是因为在 4 这个位置重复了，所以会覆盖。
布隆过滤器是如何判断某个值一定不存在或者可能存在呢?通过判断哈希函数映射到对应数组的值，如果都为 1，说明可能存在，如果有一个不为 1，说明一定不存在。对于一定不存在好理解，但是都为 1 时，为什么说可能存在呢?这跟哈希表一样，哈希函数会产生哈希冲突，也就是说两个不同的值经过哈希函数都会得到同一个数组下标，布隆过滤器也是一样的。我们以判断 /nba/2492299.html 是否已经采集过为例，经过哈希函数映射的 bit 数组上的位置如下图所示：
布隆过滤器
/nba/2492299.html 被哈希函数映射到了 4、9、11 的位置，而这几个位置的值都为 1 ，所以布隆过滤器就认为 /nba/2492299.html 被采集过了，实际上是没有采集过的，这就说明了布隆过滤器存在误判，这也是我们业务允许的。布隆过滤器的误判率跟 bit 数组的大小和哈希函数的个数有关系，如果 bit 数组过小，哈希函数过多，那么 bit 数组的值很快都会变成 1，这样误判率就会越来越高，bit 数组过大，就会浪费更多的内存，所以就要平衡好 bit 数组的大小和哈希函数的个数，关于如何平衡这两个的关系，不是我们这篇文章的重点。
布隆过滤器的原理我们已经了解了，为了加深对布隆过滤器的理解，我们用 Java 来实现一个简易版的布隆过滤器，代码如下：
public class SimpleBloomFilterTest {
// bit 数组的大小
private static final int DEFAULT_SIZE = 1000;
// 用来生产三个不同的哈希函数的
private static final int[] seeds = new int[]{7, 31, 61,};
// bit 数组
private BitSet bits = new BitSet(DEFAULT_SIZE);
// 存放哈希函数的数组
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]);
}
}
/**
* 向布隆过滤器添加元素
* @param value
*/
public void add(String value) {
for (SimpleHash f : func) {
bits.set(f.hash(value), true);
}
}
/**
* 判断某元素是否存在布隆过滤器
* @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;
}
/**
* 哈希函数
*/
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;
}
}
}
- 1.
- 2.
- 3.
- 4.
- 5.
- 6.
- 7.
- 8.
- 9.
- 10.
- 11.
- 12.
- 13.
- 14.
- 15.
- 16.
- 17.
- 18.
- 19.
- 20.
- 21.
- 22.
- 23.
- 24.
- 25.
- 26.
- 27.
- 28.
- 29.
- 30.
- 31.
- 32.
- 33.
- 34.
- 35.
- 36.
- 37.
- 38.
- 39.
- 40.
- 41.
- 42.
- 43.
- 44.
- 45.
- 46.
- 47.
- 48.
- 49.
- 50.
- 51.
- 52.
- 53.
- 54.
- 55.
- 56.
- 57.
- 58.
- 59.
- 60.
- 61.
- 62.
- 63.
- 64.
- 65.
- 66.
- 67.
把上面这段代码理解好对我们理解布隆过滤器非常有帮助，实际上在工作中并不需要我们自己实现布隆过滤器，谷歌已经帮我们实现了布隆过滤器，在 Guava 包中提供了 BloomFilter，这个布隆过滤器实现的非常棒，下面就看看谷歌办的布隆过滤器。
布隆过滤器 Guava 版
要使用 Guava 包下提供的 BloomFilter ，就需要引入 Guava 包，我们在 pom.xml 中引入下面依赖：
<dependency>
<groupId>com.google.guava</groupId>
<artifactId>guava</artifactId>
<version>28.1-jre</version>
</dependency>
- 1.
- 2.
- 3.
- 4.
- 5.
Guava 中的布隆过滤器实现的非常复杂，关于细节我们就不去探究了，我们就来看看 Guava 中布隆过滤器的构造函数吧，Guava 中并没有提供构造函数，而且提供了 create 方法来构造布隆过滤器：
public static <T> BloomFilter<T> create(
Funnel<? super T> funnel, int expectedInsertions, double fpp) {
return create(funnel, (long) expectedInsertions, fpp);
}
- 1.
- 2.
- 3.
- 4.
funnel：你要过滤数据的类型
expectedInsertions：你要存放的数据量
fpp：误判率
你只需要传入这三个参数你就可以使用 Guava 包中的布隆过滤器了，下面这我写的一段 Guava 布隆过滤器测试程序，可以改动 fpp 多运行几次，体验 Guava 的布隆过滤器。
public class GuavaBloomFilterTest {
// bit 数组大小
private static int size = 10000;
// 布隆过滤器
private static BloomFilter<String> bloomFilter = BloomFilter.create(Funnels.stringFunnel(Charset.defaultCharset()), size, 0.03);
public static void main(String[] args) {
// 先向布隆过滤器中添加 10000 个url
for (int i = 0; i < size; i++) {
String url = "https://voice.hupu.com/nba/" + i;
bloomFilter.put(url);
}
// 前10000个url不会出现误判
for (int i = 0; i < size; i++) {
String url = "https://voice.hupu.com/nba/" + i;
if (!bloomFilter.mightContain(url)) {
System.out.println("该 url 被采集过了");
}
}
List<String> list = new ArrayList<String>(1000);
// 再向布隆过滤器中添加 2000 个 url ，在这2000 个中就会出现误判了
// 误判的个数为 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("误判数量：" + list.size());
}
}
- 1.
- 2.
- 3.
- 4.
- 5.
- 6.
- 7.
- 8.
- 9.
- 10.
- 11.
- 12.
- 13.
- 14.
- 15.
- 16.
- 17.
- 18.
- 19.
- 20.
- 21.
- 22.
- 23.
- 24.
- 25.
- 26.
- 27.
- 28.
- 29.
- 30.
- 31.
布隆过滤器的应用
缓存击穿
缓存击穿是查询数据库中不存在的数据，如果有用户恶意模拟请求很多缓存中不存在的数据，由于缓存中都没有，导致这些请求短时间内直接落在了DB上，对DB产生压力，导致数据库异常。
最常见的解决办法就是采用布隆过滤器，将所有可能存在的数据哈希到一个足够大的bitmap中，一个一定不存在的数据会被这个bitmap拦截掉，从而避免了对底层存储系统的查询压力。下面是一段伪代码：
public String getByKey(String key) {
// 通过key获取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;
}
- 1.
- 2.
- 3.
- 4.
- 5.
- 6.
- 7.
- 8.
- 9.
- 10.
- 11.
- 12.
- 13.
- 14.
爬虫 URL 去重
爬虫是对 url 的去重，防止 url 重复采集，这也是我们这篇文章重点讲解的内容
垃圾邮件识别
从数十亿个垃圾邮件列表中判断某邮箱是否垃圾邮箱，将垃圾邮箱添加到布隆过滤器中，然后判断某个邮件是否是存在在布隆过滤器中，存在说明就是垃圾邮箱。